Hugging Face 模型趋势榜和每日论文。
模型
排行第一：embeddinggemma-2（特征提取）
Hugging Face 趋势榜上的模型，任务类型是特征提取，点赞 1468，趋势分 1398。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1468 · 趋势分 1398）
在 Hugging Face 查看
排行第二：clef（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 1977，趋势分 872。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1977 · 趋势分 872）
在 Hugging Face 查看
排行第三：humanizer（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 915，趋势分 825。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 915 · 趋势分 825）
在 Hugging Face 查看
排行第四：Qwen-Image-2.1-Uncensored-GGUF（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 3844，趋势分 668。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3844 · 趋势分 668）
在 Hugging Face 查看
排行第五：Kolibri-1（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 857，趋势分 626。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 857 · 趋势分 626）
在 Hugging Face 查看
排行第六：Xing4.0-29B-A4B-GGUF（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 679，趋势分 502。标签：xing4_0、conversational、custom_code、base_model:XingChen-AGI/Xing4.0-29B-A4B、base_model:quantized:XingChen-AGI/Xing4.0-29B-A4B。（点赞 679 · 趋势分 502）
在 Hugging Face 查看
排行第七：LTX-2.5（image-to-video）
Hugging Face 趋势榜上的模型，任务类型是image-to-video，点赞 7142，趋势分 481。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7142 · 趋势分 481）
在 Hugging Face 查看
排行第八：Qwen-Image-2.1-Turbo（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 420，趋势分 414。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 420 · 趋势分 414）
在 Hugging Face 查看
排行第九：Qwen3.8-27B（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 17407，趋势分 338。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17407 · 趋势分 338）
在 Hugging Face 查看
排行第十：clef-flash（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 726，趋势分 333。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 726 · 趋势分 333）
在 Hugging Face 查看
排行第十一：laya（文本分类）
Hugging Face 趋势榜上的模型，任务类型是文本分类，点赞 5454，趋势分 309。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5454 · 趋势分 309）
在 Hugging Face 查看
排行第十二：ema-lightning（语音合成）
Hugging Face 趋势榜上的模型，任务类型是语音合成，点赞 329，趋势分 299。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 329 · 趋势分 299）
在 Hugging Face 查看
论文
排行第一：过渡规律的格结构
本文将扩散模型和自回归模型视为同一污染格上的路径，探讨了在固定步数下预测解码调度性能的可能性。通过定义调度成本来衡量并行步骤中丢弃的依赖关系，研究发现零成本调度的最少步数由几何结构决定。（论文赞 1）
在 Hugging Face 查看
排行第二：进化机器人中协同通信的持续性
本研究评估了协同进化通信协议从二维仿真到三维物理环境的直接迁移效果，未重新训练网络权重。两台e-puck型机器人在食物寻找任务中使用GRU网络和残差连接进行社交信号传递，尽管进行了传感器和电机层的校正，迁移仍不完全且不对称。
在 Hugging Face 查看
排行第三：协同进化通信的2D到3D迁移评估
本研究考察了协同进化通信机制从二维离散模拟器到三维物理模拟器的迁移效果，分析其在新环境中的功能保留情况。通过研究时间预算、社交线索和角色不对称性的影响，发现成功率随时间预算线性增加，且在2000至6000步之间未出现平台期。
在 Hugging Face 查看
排行第四：Opera：长时编码代理的言语批评框架
长时编码代理需要及时纠正，但反馈可能因误判或未能解决根本问题而无效甚至有害。Opera框架将每次纠正视为持久笔记，持续跟踪直至问题解决。通过周期性和事件驱动触发，使用类型化操作符诊断问题，并在交付前审计反馈与可见证据的一致性。（论文赞 10）
在 Hugging Face 查看
排行第五：技能星座：GitHub上的代理技能供应链
代理技能是AI编码代理如Claude Code和Codex运行的SKILL.md指令和脚本，开发者通过复制技能在仓库间共享，形成无注册、版本和来源的软件供应链。本研究构建了首个基于Git历史的技能复制网络，覆盖GitHub上219万次技能采用，揭示了技能的来源和传播路径。（论文赞 1）
在 Hugging Face 查看
排行第六：基于物理注意力偏置的电缆动力学预测
用于可变形线性物体（如电缆）的学习模拟器需预测未训练过的电缆运动并保持长周期滚动的稳定性。大多数误差出现在电缆接触自身或地面时。注意力机制可表示沿电缆长度较远部分的接触，但缺乏几何概念。本文引入物理注意力偏置，在注意力logits中添加与几何相关的项以改进预测。（论文赞 1）
在 Hugging Face 查看
排行第七：GPU并行框架用于异构多任务强化学习
论文提出Hebero基准测试平台，利用GPU并行模拟实现40个异构机器人操作任务的联合训练与评估。研究表明增加并行副本能提升固定时间预算下的成功率，并提出了演示引导策略优化(DGPO)方法，通过重用演示数据提供密集跟踪奖励。（论文赞 8）
在 Hugging Face 查看
排行第八：Mara Chain：将失败重构为AI系统自进化的基石
研究指出当前AI系统优化过程中被丢弃的候选配置包含关键信息。提出的Mara Chain方法通过迭代保留被拒候选方案，将其转化为后续优化的垫脚石，避免重复探索相同失败模式，改进了现有提议-评估-选择流程。（论文赞 5）
在 Hugging Face 查看
排行第九：大语言模型中闲聊信息污染临床记录与推理
研究发现前沿LLM在35%的临床记录中插入了闲聊内容，3.7%的记录存在临床误用。实验还显示，当背景语音泄漏到转录文本时，48.2%的转录会受到污染，影响临床推理的准确性。（论文赞 2）
在 Hugging Face 查看
排行第十：冻结模型演进专业：多模态医疗AI的部署经验学习框架
针对冻结部署的LLM/VLM无法从解决案例中学习的问题，提出模型无关框架。该方法无需权重访问或额外训练，克服参数无关方法可能过拟合验证集、缺乏领域知识或丢失视觉细节等局限。（论文赞 2）
在 Hugging Face 查看
排行第十一：通过模拟生成连贯企业数据的STS方法
为解决企业AI工具代理训练的数据限制，提出无需模式(Schema-free)的STS合成范式。LLM代理在模拟环境中通过策略强制执行API生成数据，兼顾结构有效性和分布保真度，避免传统方法的领域定制需求。（论文赞 3）
在 Hugging Face 查看
排行第十二：SpecFold：折叠多分支冗余加速扩散语言模型推测解码
针对扩散大语言模型(DLLM)的多分支推测解码，发现分支间存在计算冗余。提出的SpecFold方法通过识别隐藏状态相似性，折叠冗余计算，在保持生成质量的同时加速文本生成过程。（论文赞 3）
在 Hugging Face 查看
