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 1533，趋势分 1430。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1533 · 趋势分 1430）
在 Hugging Face 查看
排行第二：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 978，趋势分 855。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 978 · 趋势分 855）
在 Hugging Face 查看
排行第三：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 2003，趋势分 819。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 2003 · 趋势分 819）
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 3891，趋势分 667。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3891 · 趋势分 667）
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 871，趋势分 545。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 871 · 趋势分 545）
在 Hugging Face 查看
排行第六：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 7196，趋势分 466。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7196 · 趋势分 466）
在 Hugging Face 查看
排行第七：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 466，趋势分 459。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 466 · 趋势分 459）
在 Hugging Face 查看
排行第八：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 686，趋势分 449。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 686 · 趋势分 449）
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 17440，趋势分 343。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17440 · 趋势分 343）
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 742，趋势分 314。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 742 · 趋势分 314）
在 Hugging Face 查看
排行第十一：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 345，趋势分 314。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 345 · 趋势分 314）
在 Hugging Face 查看
排行第十二：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 5471，趋势分 294。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5471 · 趋势分 294）
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，定义了调度成本以衡量并行步骤的依赖性，探讨了在固定步数下预测一种模型解码调度性能的可能性，分析了不同模型在几何结构上的差异。（论文赞 5）
在 Hugging Face 查看
排行第二：进化机器人中协同通信的持续性
研究将2D仿真中协同进化通信协议直接迁移到3D物理环境，未重新训练网络权重。两台机器人在食物寻找任务中测试，尽管进行了传感器和电机层的校正，但迁移效果部分且不对称，仅一个代理成功到达食物源。（论文赞 4）
在 Hugging Face 查看
排行第三：协同通信从2D到3D的迁移评估
研究评估了在2D模拟中协同进化通信机制迁移到具有真实物理的3D模拟的效果，分析了时间预算、社会信号和角色不对称性的影响，结果表明成功率随时间预算线性增加，未在2000至6000步间出现平台期。（论文赞 4）
在 Hugging Face 查看
排行第四：Opera：长时编码智能体的言语批评框架
Opera是一个言语批评框架，将每次修正视为持久笔记，持续跟踪直到问题解决。它通过周期性和事件驱动触发决定何时审查，使用类型化操作符诊断问题，交付前审计反馈，并跟踪代理后续行为以区分合规与真正解决。（论文赞 14）
在 Hugging Face 查看
排行第五：技能星系：GitHub上的代理技能供应链
代理技能是AI编码代理运行的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。研究构建了首个带日期的技能复制网络，基于Git历史记录，覆盖GitHub上219万次技能采用。（论文赞 5）
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
针对可变形线性物体如电缆的模拟器，提出物理注意力偏置，在注意力 logits 上添加几何相关项，以区分弧长距离和欧氏距离，提高接触预测准确性，增强长滚动稳定性。（论文赞 5）
在 Hugging Face 查看
排行第七：GPU并行异构多任务强化学习框架
本文提出Hebero异构机器人学习基准测试平台，利用GPU并行模拟技术实现40个异构任务的联合训练与评估。研究表明增加任务并行副本可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方法（DGPO）来解决稀疏奖励和有限演示样本的学习问题。（论文赞 12）
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
针对当前AI系统优化过程中被丢弃候选方案包含关键信息的问题，提出Mara Chain改进流程。该方法通过保留并迭代利用被拒绝的候选配置，避免后续提案重复相同的失败模式，实现更高效的持续优化过程。（论文赞 8）
在 Hugging Face 查看
排行第九：大语言模型中无关信息对临床记录的污染效应
研究发现在576例医患对话中，前沿模型会将35%的闲聊内容插入病历记录，其中3.7%存在临床误用。模拟实验显示背景语音污染会导致48.2%的转录文本包含无关患者信息，揭示了LLMs在临床应用中面临的信息干扰风险。（论文赞 6）
在 Hugging Face 查看
排行第十：冻结模型下的医学AI经验学习框架
针对医疗领域部署后冻结的LLMs/VLMs无法学习新病例的问题，提出无需调整模型参数的通用学习框架。该方法克服传统微调需要权重访问的局限，同时避免仅依赖固定验证集导致的过拟合问题。（论文赞 6）
在 Hugging Face 查看
排行第十一：基于模拟的企业级数据合成方法STS
针对企业AI工具开发面临的数据限制，提出无模式的数据合成范式STS。通过LLM代理在模拟环境中执行API操作来生成数据，既保持结构有效性又确保分布保真度，解决了传统方法在领域适配方面的不足。（论文赞 7）
在 Hugging Face 查看
排行第十二：SpecFold：扩散语言模型的多分支冗余折叠加速
针对扩散大语言模型(DLLMs)的迭代生成特性，提出利用多分支推测解码中的计算冗余进行加速。通过分析分支间隐藏状态的相似性，开发了折叠冗余计算的优化方法，补充了现有时间维度加速技术的不足。（论文赞 7）
在 Hugging Face 查看
