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 1591，趋势分 1462。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1591 · 趋势分 1462）
在 Hugging Face 查看
排行第二：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 869，趋势分 697。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 869 · 趋势分 697）
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 3358，趋势分 683。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3358 · 趋势分 683）
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 680，趋势分 652。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 680 · 趋势分 652）
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 5264，趋势分 591。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5264 · 趋势分 591）
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 559，趋势分 533。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 559 · 趋势分 533）
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 6569，趋势分 496。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6569 · 趋势分 496）
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 614，趋势分 483。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 614 · 趋势分 483）
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 17073，趋势分 345。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17073 · 趋势分 345）
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 335，趋势分 327。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 335 · 趋势分 327）
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 3023，趋势分 268。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3023 · 趋势分 268）
在 Hugging Face 查看
论文
排行第一：GeoSET：SAR转EO图像翻译的通用基础模型
本文提出GeoSET，首个用于合成孔径雷达（SAR）到光电（EO）图像翻译的通用模型。现有方法通常针对单一数据集训练，而GeoSET基于预训练主干，通过统一协议适配不同下游数据。研究从超1000万SAR观测中筛选出300多万高质量SAR-EO配对数据，涵盖多种传感器和分辨率。模型旨在弥合成像模态差异，实现跨条件的鲁棒转换。（论文赞 1）
在 Hugging Face 查看
排行第二：HLA-WM：长时域视频世界模型的混合线性注意力
长时域视频世界模型需持久记忆以维持场景一致性。本文指出Gated DeltaNet存在长程遗忘问题，即远端相关信息被后续状态更新衰减。为此提出HLA-WM，一种免训练的混合线性注意力框架，结合粗粒度几何引导检索与细粒度循环线性状态计算。该方法在不增加内存成本下提升历史信息保持能力，改善视频生成中的长期连贯性。（论文赞 1）
在 Hugging Face 查看
排行第三：LiFT：循环流变换器
本文介绍Loop Flow Transformers（LiFT），一种循环生成模型家族，通过重复应用共享Diffusion Transformer（DiT）核心扩展计算。LiFT训练每个循环步回归单一目标：从初始估计到流匹配目标的直线路径点。因目标由连续深度坐标索引，训练后模型可超越训练深度循环，无需重训练或早停。实验表明更长循环能提升生成质量，优化推理计算效率。（论文赞 2）
在 Hugging Face 查看
排行第四：如何循环MoE：展平专家与解绑注意力
循环Transformer通过重复层块提升固定规模模型的参数利用率，而稀疏混合专家（MoE）模型仅激活少量专家。本文探讨如何将二者结合为循环MoE，并提出Foil方法。在固定专家参数和计算量下，Foil展平专家层（减半层数、加倍专家数与循环次数），使路由决策从更大池中选择；同时解绑注意力机制，优化专家利用效率。（论文赞 2）
在 Hugging Face 查看
排行第五：SoK：网络控制环路中的语义决策引擎
本文系统分析139类语义决策引擎（如Jev）在网络控制环路中的表现。研究按决策接口、执行路径和检查归属分类，发现50类声称满足控制环路或时间预算，但仅4类有匹配实测支持。所有引擎中仅4类报告截止时间达成率。问题集中于无确定性计算步骤的决策场景，其中72类均未提供实证，且仅2类明确覆盖责任方。有限测试表明此类缺陷可导致准入判决反转。
在 Hugging Face 查看
排行第六：RIC时标意图解释：6G开放RAN中Jev与LLM对比
研究比较Jev-1.13.0等决策模型与生成式大语言模型（LLM）在6G开放无线接入网（RAN）意图解释中的表现。意图需在RAN智能控制器（RIC）环路内转为A1策略，Jev返回类型化策略字段，LLM逐令牌生成。通过RANIntent v1基准测试，实测解释耗时中位数0.286至2.35秒，而A1/E2传输低于25毫秒。Jev-1.13.0在99.8%调用中满足1秒近实时预算，LLM延迟可能影响控制截止时间与容量。
在 Hugging Face 查看
排行第七：流匹配潜在推理的关键要素是什么
潜在推理让大语言模型在连续空间思考、仅输出答案，作者提出有效潜在思考需满足有用、多样、可解释、可细化、高效五个要求，但当前方法很少满足这些。（论文赞 4）
在 Hugging Face 查看
排行第八：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代理日益普及，但现有基准混淆了任务能力与故障恢复能力。UndoBench是跨8个企业领域的基准，通过反事实配对试验分离这两种能力，在多个模型和框架上测试。（论文赞 5）
在 Hugging Face 查看
排行第九：拆分语言模型中梯度对文本泄露的影响：按token和文档统计
拆分学习中客户端仅发送激活值，服务器返回梯度。研究发现，攻击者能从流量重建文本，梯度让token级泄露率从94.20%升至97.38%，文档级差异更大，量化了梯度对文本泄露的影响。（论文赞 3）
在 Hugging Face 查看
排行第十：DEPICT：通过答案一致性评估文本到图像的对齐度
图像文本对齐是计算机视觉核心问题，现有评估方法存在绑定模型或整体提示的缺陷。DEPICT通过答案一致性评分，旨在更好评估文本到图像的对齐，解决缺失物体、属性错误等问题。
在 Hugging Face 查看
排行第十一：OmniReasoning：推动视听联合推理的极限
现有多模态模型常独立处理音频和视觉，视听联合推理能力不足。OmniReasoning提出基准（含1150个多模态问题）、数据引擎和学习方法，推动视听联合推理能力的评估和提升。（论文赞 10）
在 Hugging Face 查看
排行第十二：稳定学习：为人脸图像质量评估累积相对点边际分数
人脸图像质量评估对人脸识别至关重要，现有方法因特征空间演化导致评估不稳定。CARPM-FIQA通过累积训练全程的相对点边际分数（类内紧凑度与类间分离度之比），稳定人脸图像质量评估，解决时间不稳定问题。（论文赞 1）
在 Hugging Face 查看
