Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 1269，趋势分 1179。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1269 · 趋势分 1179）
在 Hugging Face 查看
排行第二：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 5180，趋势分 758。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5180 · 趋势分 758）
在 Hugging Face 查看
排行第三：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 3169，趋势分 706。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3169 · 趋势分 706）
在 Hugging Face 查看
排行第四：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 6356，趋势分 451。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6356 · 趋势分 451）
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 451，趋势分 441。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 451 · 趋势分 441）
在 Hugging Face 查看
排行第六：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 445，趋势分 426。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 445 · 趋势分 426）
在 Hugging Face 查看
排行第七：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 16955，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16955 · 趋势分 342）
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 335，趋势分 315。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 335 · 趋势分 315）
在 Hugging Face 查看
排行第九：Qwen-Image-2.1（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 2955，趋势分 300。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2955 · 趋势分 300）
在 Hugging Face 查看
排行第十：VisionHOPE（图像分类）
Hugging Face 趋势榜上的模型，任务类型是图像分类，点赞 407，趋势分 286。标签：computer-vision、visionhope。（点赞 407 · 趋势分 286）
在 Hugging Face 查看
排行第十一：Nemotron-3-Diarization（语音活动检测）
Hugging Face 趋势榜上的模型，任务类型是语音活动检测，点赞 678，趋势分 218。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 678 · 趋势分 218）
在 Hugging Face 查看
排行第十二：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 719，趋势分 216。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 719 · 趋势分 216）
在 Hugging Face 查看
论文
排行第一：NAVA-WAM：从视频中学习原生动作先验
本文提出NAVA-WAM方法，旨在直接从仅含观察的视频中预训练动作策略，以构建世界动作模型。该方法避免了传统方法中需要动作标注的机器人轨迹或间接表示到控制的转换。通过原生动作先验学习，模型能够整合未来视觉动态与机器人动作预测，提升可扩展性，而无需依赖额外的潜在动作模型或适应步骤。（论文赞 1）
在 Hugging Face 查看
排行第二：SBERT2S1：从检索到类型化决策
本文研究如何将生物医学句子编码器从检索任务转换为类型化决策模型，以回答模式约束的问题。提出SBERT2S1框架，将Sentence-Transformers编码器转化为双编码器、交叉头和先验融合残差决策模型。利用BIODECIDE套件和MEDLINE-S1训练数据，探讨检索训练对零样本匹配和微调后决策性能的影响，分析不同头部结构的效果。（论文赞 1）
在 Hugging Face 查看
排行第三：Pivot-SD：掩码扩散语言模型自蒸馏
本文针对掩码扩散语言模型在去噪过程中的信用分配挑战，提出Pivot-SD自蒸馏框架。该方法专注于监督那些在去噪早期对响应形成有高影响力的令牌承诺，而不是训练整个最终文本或分配奖励给完整步骤。通过高效离线蒸馏，提升模型在复杂推理任务中的性能，避免传统训练方法的不足。（论文赞 6）
在 Hugging Face 查看
排行第四：局部支持学习缓解灾难性遗忘
本文探索大型预训练模型中的灾难性遗忘问题，将其视为权重矩阵输入空间的几何问题。提出局部支持学习框架，在不访问旧数据的情况下，通过结合标准权重适配器和门控函数，增强梯度训练以保留先验能力。门控函数仅在输入激活上启用适配器，优化更新策略，减少遗忘。（论文赞 2）
在 Hugging Face 查看
排行第五：HelixWorld：实时交互视听世界模型
本文介绍HelixWorld，一个实时交互的视听世界模型，实现视觉场景和相机空间立体声音频在用户交互下的协同演化。基于高保真空间视听数据集，预训练双向教师模型，条件于6自由度相机轨迹和用户动作。旨在解决现有交互世界模型忽略音频维度的问题，支持低延迟因果交互。（论文赞 2）
在 Hugging Face 查看
排行第六：SimuVerity：Simulink模型生成基准
本文提出SimuVerity基准，包含101个文本到可执行Simulink模型生成任务，覆盖十个工程领域。每个任务基于可执行系统配置和四类原生仿真场景，评估生成模型是否满足工程需求。通过分层评估器检查工件交付、可执行性和工程资格，并在准确性、输出质量等六个维度评分，超越传统编译或执行测试。（论文赞 5）
在 Hugging Face 查看
排行第七：HyperBrowseComp：多语言多模态浏览测试
提出HyperBrowseComp，一个包含423个跨13种语言的手工编写且经人工验证的问题的多语言多模态浏览基准，问题设计极具挑战性，需要定位隐晦证据、遵循多步线索链或检查视频、扫描文档、图像或地图等异构来源才能找到可验证的答案。（论文赞 11）
在 Hugging Face 查看
排行第八：MotorMind：通用视觉语言模型的零样本机器人操控
提出MotorMind框架，旨在利用通用视觉语言模型直接进行机器人操控，通过观察推理、发出动作并持续交互，实现类似人类远程操作的零样本泛化能力，避免依赖大量外部模型和工具带来的复杂性与成本。（论文赞 63）
在 Hugging Face 查看
排行第九：学习蛋白质折叠能否泛化到更广的推理
构建FoldingCorpus数据集和Fold2Reason方法，通过蛋白质折叠任务训练语言模型，探索其是否能习得可复用的推理能力，利用模型原生语言头预测离散结构答案和共享表示解码连续3D几何信息进行双重信号训练。（论文赞 59）
在 Hugging Face 查看
排行第十：LexReward：法律语言模型的分类驱动奖励框架
提出LexReward框架，通过风格、要素和链路三个维度评估法律响应质量，涵盖词汇语法、法律主体事实、法规判决以及推理顺序完整性等，提供更具体可解释的奖励信号，提升法律语言模型响应质量。（论文赞 10）
在 Hugging Face 查看
排行第十一：ProAR：基于自回归视频模型的前瞻性推理学习
提出ProAR框架，将自回归视频生成转化为目标导向的推理过程，通过引入目标帧预测和长期结果锚定，克服传统模型仅关注局部视觉合理性的局限，实现更有效的推理生成。（论文赞 6）
在 Hugging Face 查看
排行第十二：循环超越两次：可扩展的循环混合专家方法
研究循环Transformer在大规模混合专家模型中的扩展性，发现额外迭代带来的收益迅速衰减甚至退化，导致循环带来的FLOPs增加效果有限，识别出深度诅咒和隐藏状态方差增长为主要障碍。（论文赞 3）
在 Hugging Face 查看
