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 1572，趋势分 1447。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1572 · 趋势分 1447）
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 3343，趋势分 692。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3343 · 趋势分 692）
在 Hugging Face 查看
排行第三：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 848，趋势分 680。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 848 · 趋势分 680）
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 669，趋势分 644。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 669 · 趋势分 644）
在 Hugging Face 查看
排行第五：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 5263，趋势分 602。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5263 · 趋势分 602）
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 558，趋势分 532。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 558 · 趋势分 532）
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 6560，趋势分 499。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6560 · 趋势分 499）
在 Hugging Face 查看
排行第八：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 570，趋势分 444。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 570 · 趋势分 444）
在 Hugging Face 查看
排行第九：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 424，趋势分 401。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 424 · 趋势分 401）
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 17070，趋势分 347。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17070 · 趋势分 347）
在 Hugging Face 查看
排行第十一：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 314，趋势分 306。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 314 · 趋势分 306）
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 3022，趋势分 271。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3022 · 趋势分 271）
在 Hugging Face 查看
论文
排行第一：如何循环MoE：扁平化专家，解开注意力
循环Transformer重复使用一层多次以更充分利用参数，稀疏MoE仅激活部分专家；循环MoE结合两者但存在‘如何循环’的问题，论文提出Foil方案，固定专家参数和每token计算量，通过扁平化专家（减少专家层、增加每层专家数和次数）和解开注意力，提升专家使用潜力。（论文赞 1）
在 Hugging Face 查看
排行第二：SoK：网络控制循环中的语义决策引擎
语义决策引擎可能错过网络截止时间、选择不可行动作或未经验证服务；论文系统化分析139个论文家族，发现仅少数声称适配控制循环并提供匹配测量，多数差距集中在决策无确定性计算步骤的家族， bounded测试显示这些差距会反转准入判决。
在 Hugging Face 查看
排行第三：RIC时间尺度的意图解读：Jev与6G开放RAN大语言模型对比
意图导向开放RAN需将意图转为A1策略，Jev返回类型化字段，LLM逐token生成；论文研究LLM额外延迟是否影响控制截止时间等，通过基准测试、ns-3仿真和真实路径比较，Jev在99.8%调用中满足1秒近实时预算，LLM延迟（0.286-2.35秒）远超A1/E2传输时间（<25ms）。
在 Hugging Face 查看
排行第四：流匹配的潜在推理中什么最重要
潜在推理让LLM在连续空间思考并仅输出答案，有效潜在思考需有用、多样、可解释、可细化、高效五个要求，但当前方法常学问题捷径、蒸馏或模仿显式CoT，很少满足这些要求。（论文赞 1）
在 Hugging Face 查看
排行第五：UndoBench：分离工具使用AI代理的任务能力与恢复能力
工具使用AI代理广泛部署，但现有基准多混淆规划能力与故障恢复；论文引入UndoBench，涵盖8个企业领域的36个基础工作流和36个故障场景，通过反事实配对试验分离两者，在12个测试工作流中分析多个模型和框架的执行结果。（论文赞 4）
在 Hugging Face 查看
排行第六：拆分语言模型中梯度对文本泄露的影响：按token和文档统计
拆分学习中客户端不发送文本，仅发送第一层输出，服务器返回梯度；论文显示观察者可从流量重建文本，梯度提升泄露率——GPT-2中仅激活时恢复94.20% token，加梯度后97.38%（提升3.17个百分点），文档级差异更大。（论文赞 3）
在 Hugging Face 查看
排行第七：DEPICT：通过答案一致性评估文本到图像的对齐程度
图像文本对齐是计算机视觉核心问题，应用于字幕评估、幻觉检测等场景。现有方法如微调评估器或提示视觉语言模型存在缺陷：微调方法受骨干网络和训练分布限制，整体方法可能不足。本文提出DEPICT，通过答案一致性来评分文本到图像的对齐程度。
在 Hugging Face 查看
排行第八：OmniReasoning：突破视听联合推理的极限
现有统一多模态模型常独立处理音频和视觉模态，导致视听联合推理能力评估不足。本文提出OmniReasoning，包括OmniReasoningBench基准（覆盖视频内外推理的1150道多选和开放题）和OmniQA数据引擎（自动构建证据），以提升该能力的评估。（论文赞 5）
在 Hugging Face 查看
排行第九：Learning Steadily：累积相对点边际分数用于人脸图像质量评估
人脸图像质量评估对可靠生物识别系统的人脸识别至关重要。现有集成方法存在时间不稳定问题：训练中特征空间演变，单 epoch 质量估计波动。本文提出CARPM-FIQA策略，累积整个训练轨迹的相对点边际测量（类内紧密度与类间分离度之比）而非单 epoch 估计，稳定预测。（论文赞 1）
在 Hugging Face 查看
排行第十：通过逆向蒸馏实现数据遗忘
多步匹配模型（如流、扩散模型）生成质量高但推理成本高，可能再现训练数据中不必要内容。本文提出IDU框架，同时将教师多步模型蒸馏为高效单步学生生成器，并抑制指定训练子集输出，通过最小最大目标和混合分布比较实现数据遗忘。（论文赞 8）
在 Hugging Face 查看
排行第十一：优化优化器：语言模型发现更快的分子弛豫方法
几何优化是量子化学工作流的主要成本，每个步骤的力评估在密度泛函层面耗时最长。本文研究语言模型能否通过自动研究改进优化方法：代理重写优化器以最小化力调用次数，经两门禁拒绝无效改进，从Sella得到AutoSella优化器家族，均提升分子弛豫速度。（论文赞 7）
在 Hugging Face 查看
排行第十二：主动代理的基础：原则、技术层与Proactivity-Gym
主动LLM代理能在用户提问前提供支持，但可能误解上下文、增加审核成本或破坏信任。本文提出其设计、实现和评估基础，围绕3T原则（任务能力、时间分配、信任），并连接到任务范围、预期视野等五个维度的设计空间。（论文赞 13）
在 Hugging Face 查看
