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 1607，趋势分 1477。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1607 · 趋势分 1477）
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 894，趋势分 719。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 894 · 趋势分 719）
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 3368，趋势分 682。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3368 · 趋势分 682）
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 687，趋势分 659。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 687 · 趋势分 659）
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 5267，趋势分 579。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5267 · 趋势分 579）
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 564，趋势分 538。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 564 · 趋势分 538）
在 Hugging Face 查看
排行第七：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 652，趋势分 515。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 652 · 趋势分 515）
在 Hugging Face 查看
排行第八：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 6585，趋势分 498。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6585 · 趋势分 498）
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 426，趋势分 403。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 426 · 趋势分 403）
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 17083，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17083 · 趋势分 351）
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 351，趋势分 343。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 351 · 趋势分 343）
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 3026，趋势分 267。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3026 · 趋势分 267）
在 Hugging Face 查看
论文
排行第一：经验变分自动编码器
提出针对连续值序列的生成框架EVA，基于VAE的证据下界，通过额外线性层从训练数据中经验学习自回归潜在先验，替代传统标准高斯约束，缓解先验与后验的潜在分布差距，实现高保真序列生成。
在 Hugging Face 查看
排行第二：MEA：一种奖励驱动的忠实模型解释多智能体系统
针对高风险领域机器学习模型不透明、后解释方法需专业知识的问题，提出多智能体框架MEA，包含Proposer代理（根据问题和模态选择配置解释工具）和Actor代理（端到端优化），消除解释知识壁垒。
在 Hugging Face 查看
排行第三：GeoCR：从异质观测中学习通用云去除先验
现有云去除方法专用于特定数据集，提出通用模型GeoCR，在单一网络中统一单/多时态云观测的纯RGB和多光谱云去除，可选SAR指导；通过紧凑输入输出扩展预训练RGB自编码器，共享潜在接口让单流变压器联合建模清洁RGB和非RGB潜在变量。（论文赞 2）
在 Hugging Face 查看
排行第四：GeoSET：用于SAR到EO图像翻译的通用基础模型
现有SAR到EO图像翻译方法依赖单有限数据集，模型专用性强；提出首个通用模型GeoSET，基于单一预训练父模型通过通用协议适配下游数据集，整理超300万高质量SAR-EO配对数据，桥接模态差异。（论文赞 2）
在 Hugging Face 查看
排行第五：HLA-WM：长视野视频世界模型的混合线性注意力
长视野视频世界模型需持久记忆保场景一致，软注意力内存开销大，循环线性注意力有长程遗忘问题；提出无训练混合线性注意力框架HLA-WM，结合粗粒度几何引导检索和细粒度循环线性状态计算，解决长程遗忘。（论文赞 2）
在 Hugging Face 查看
排行第六：LiFT：循环流变压器
提出循环生成模型LiFT，通过重复应用共享扩散变压器（DiT）核心扩展计算，仅轻微修改架构；训练时每步以初始估计到流匹配目标的直线路径点为回归目标，因目标用连续深度坐标索引，可远超训练深度循环，长滚提升生成效果。（论文赞 4）
在 Hugging Face 查看
排行第七：如何循环MoE：扁平化专家，解耦注意力
Looped MoE结合了循环Transformer和稀疏专家模型的优点，提出Foil方法，通过扁平化专家结构，增加每层专家数量和循环次数，使路由决策更具多样性，提升专家使用效率。（论文赞 3）
在 Hugging Face 查看
排行第八：SoK：网络控制回路中的语义决策引擎
本文系统分析了139个语义决策引擎研究，发现多数声称满足控制回路时间约束，但仅有少数提供实测支持，且在无确定性计算步骤时存在显著差距，可能导致准入判断错误。（论文赞 1）
在 Hugging Face 查看
排行第九：6G Open RAN中意图解释的对比研究
比较Jev决策模型与大语言模型在6G开放无线接入网中的意图解释性能，评估其在控制回路中的延迟、容量和无线性能影响，发现Jev模型更符合实时预算要求。（论文赞 1）
在 Hugging Face 查看
排行第十：流匹配中潜在推理的关键因素
研究大语言模型在连续空间中进行潜在推理的条件，提出有效潜在思考需满足有用性、多样性、可解释性、可优化性和高效性五个要求，并分析现有方法的不足。（论文赞 4）
在 Hugging Face 查看
排行第十一：UndoBench：分离任务能力与恢复能力
提出UndoBench基准，通过反事实配对实验分离工具使用AI代理的任务完成能力与故障恢复能力，涵盖36个基础工作流和36个故障场景，评估不同模型和恢复范式的表现。（论文赞 6）
在 Hugging Face 查看
排行第十二：梯度对拆分语言模型文本泄露的影响
研究拆分学习中梯度对客户端文本泄露的影响，发现攻击者仅通过激活值可恢复94.20%的token，结合梯度后可提升至97.38%，显著增加文本泄露风险。（论文赞 4）
在 Hugging Face 查看
