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 1535，趋势分 1417。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1535 · 趋势分 1417）
在 Hugging Face 查看
排行第二：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 3291，趋势分 682。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3291 · 趋势分 682）
在 Hugging Face 查看
排行第三：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 5249，趋势分 648。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5249 · 趋势分 648）
在 Hugging Face 查看
排行第四：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 645，趋势分 621。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 645 · 趋势分 621）
在 Hugging Face 查看
排行第五：JEV-27B-VL（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 764，趋势分 611。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 764 · 趋势分 611）
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 541，趋势分 516。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 541 · 趋势分 516）
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 6527，趋势分 498。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6527 · 趋势分 498）
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 421，趋势分 400。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 421 · 趋势分 400）
在 Hugging Face 查看
排行第九：GEV-26B-Decide（文本分类）
Hugging Face 趋势榜上的模型，任务类型是文本分类，点赞 473，趋势分 362。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 473 · 趋势分 362）
在 Hugging Face 查看
排行第十：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 17051，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17051 · 趋势分 348）
在 Hugging Face 查看
排行第十一：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 426，趋势分 305。标签：computer-vision、visionhope。（点赞 426 · 趋势分 305）
在 Hugging Face 查看
排行第十二：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 3009，趋势分 280。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3009 · 趋势分 280）
在 Hugging Face 查看
论文
排行第一：QuantCode模型：为可执行算法交易代码定制语言模型
本文研究如何将通用语言模型专门化用于算法交易代码生成。模型需将自然语言策略描述转换为特定交易框架的正确程序逻辑，并在历史数据上执行以产生交易。论文探讨两种机制：在算法交易框架代码上持续预训练，以及使用代理验证的请求-代码对进行监督微调。评估基于QuantCode-Bench基准，包含400个Backtrader策略生成任务。（论文赞 1）
在 Hugging Face 查看
排行第二：Code2Games：实现游戏世界生成的编码智能体
研究从自然语言游戏意图生成高质量游戏世界的方法，需要联合推理场景结构、空间布局、游戏目标等要素。现有编码智能体难以保持各组件一致性。Code2Games框架基于Blender生成基础世界，通过共享场景-游戏表示协调场景分析、游戏规划等模块，实现结构化游戏世界构建。（论文赞 2）
在 Hugging Face 查看
排行第三：Memadapter：针对记忆诱发谄媚的反事实适应
研究长期记忆导致LLM智能体过度迎合用户历史信念的问题。现有方法假设谄媚源于偏差记忆，但论文指出正确记忆也可能引发谄媚。Memadapter通过反事实适应机制，在不修改记忆的情况下调整模型响应策略，解决记忆诱发的一致性偏差问题。（论文赞 3）
在 Hugging Face 查看
排行第四：双臂视觉-语言-动作模型中的臂间组合泛化
研究双机械臂协作中的技能重组泛化能力。提出ACG-Bench基准，包含23个任务条-件组合，涵盖顺序重排、同步等未见组合。所有方法使用相同的单臂原子技能提示，评估不同训练架构在协调需求下的泛化表现。（论文赞 1）
在 Hugging Face 查看
排行第五：缺失的数学基元：诊断与修复大语言模型的数学推理
系统研究LLM的数学理解能力，提出数学基元概念从发现、生成等四个维度评估推理能力。通过诊断分析揭示模型结构性理解缺陷，并利用发现改进后训练过程，提升数学问题解决的真实理解能力。（论文赞 2）
在 Hugging Face 查看
排行第六：通过自动诊断与技能发现训练数值智能
针对数值求解器性能优化问题，提出ADSD框架采用诊断优先范式。首先分析求解器性能差的原因，然后基于诊断指导发现合适数值方法。将获得的知识封装为可重用求解技能，实现从试错改进到系统性自我提升的转变。（论文赞 3）
在 Hugging Face 查看
排行第七：OmniConfess：缓解多模态幻觉的 token confession 方法
该论文提出 OmniConfess，一种无需训练的方法，用于减少多模态大语言模型的幻觉问题。通过在生成响应时对不同模态的证据进行控制性干预，该方法能逐token地揭示响应依赖的证据来源，从而保留有依据的内容并纠正由无关或矛盾证据驱动的错误结论。
在 Hugging Face 查看
排行第八：通过闭环激活引导实现扩散语言模型的定向偏见注入
该研究探讨了在冻结的扩散语言模型中通过内部激活进行定向偏见注入的攻击方法。由于扩散模型在每次去噪步骤中都会暴露答案的分布，攻击者可利用这一特性，通过观察模型生成特定答案的可能性，动态调整干预策略，从而引导模型输出特定偏见的结果。（论文赞 3）
在 Hugging Face 查看
排行第九：通过校准内容认证验证真实图像
该论文评估了近年来多种深度伪造检测器的性能，发现其准确率随时间下降，且对抗性扰动可使其失效。作者指出，由于生成模型能精确复制真实内容，仅凭内容无法确定真实来源。因此，必须通过可信赖的再生成过程来验证图像的真实性，以解决内容认证的不确定性问题。（论文赞 3）
在 Hugging Face 查看
排行第十：动态 harness 搜索：基于预测构建多代理系统
该研究提出 SHIFT 方法，通过本地大语言模型学习构建代理 harness 的策略，并利用价值函数预测执行的效用。在每个查询时，蒙特卡洛树搜索结合预测结果构建最优 harness，从而避免在推理时执行多个备选方案，提升多代理系统构建的效率和适应性。（论文赞 3）
在 Hugging Face 查看
排行第十一：RealtimeWAM：一步异步世界动作模型
该论文提出 RealtimeWAM，一种高效的动作预测模型，通过一步生成和异步推理解决现有世界动作模型中的推理效率瓶颈。通过减少专家内部迭代和专家间等待，该模型显著提升推理速度，同时保持动作预测的准确性。（论文赞 6）
在 Hugging Face 查看
排行第十二：何时切换：视觉语言动作模型的动作块扩展
该研究分析了视觉语言动作模型在长动作块执行中的可靠性问题，发现错误集中在不同操作子技能的转换点，且随块长度增加而急剧上升。这表明技能切换时机的重要性，提出应根据转换时间决定何时切换子技能，以提升长块执行的稳定性。（论文赞 4）
在 Hugging Face 查看
