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 1661，趋势分 1526。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1661 · 趋势分 1526）
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 967，趋势分 781。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 967 · 趋势分 781）
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 3410，趋势分 682。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3410 · 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 703，趋势分 673。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 703 · 趋势分 673）
在 Hugging Face 查看
排行第五：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 586，趋势分 560。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 586 · 趋势分 560）
在 Hugging Face 查看
排行第六：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 5278，趋势分 545。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5278 · 趋势分 545）
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 674，趋势分 536。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 674 · 趋势分 536）
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 6646，趋势分 507。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6646 · 趋势分 507）
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 469，趋势分 446。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 469 · 趋势分 446）
在 Hugging Face 查看
排行第十：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 384，趋势分 376。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 384 · 趋势分 376）
在 Hugging Face 查看
排行第十一：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 17107，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17107 · 趋势分 348）
在 Hugging Face 查看
排行第十二：embeddinggemma-2（特征提取）
Hugging Face 趋势榜上的模型，任务类型是特征提取，点赞 300，趋势分 295。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 300 · 趋势分 295）
在 Hugging Face 查看
论文
排行第一：基于医疗记录蒸馏的血液生物标志物智能发现
本研究提出一种利用常规血常规检测数据发现新生物标志物的方法。由于涉及540万患者隐私数据无法直接用于前沿语言模型训练，团队在数据边界内训练图注意力网络，预测13种免疫疾病相关候选标志物的AUC值，仅发布模型权重作为评分工具。该工具支持智能体进行提议-评分-优化循环，无需暴露患者数据。外部验证表明，该方法能有效提升生物标志物发现性能。（论文赞 1）
在 Hugging Face 查看
排行第二：表格数据上下文学习的激活对齐方法
针对表格基础模型在上下文学习中需全量处理训练样本导致计算成本高的问题，提出激活对齐方法。该方法利用合成无标签数据训练轻量线性变换，将完整上下文激活动态映射到子集上下文场景，使模型在仅见部分样本时仍能保持接近全量上下文的性能。相比直接缩减上下文规模，该方法在控制计算成本的同时显著降低性能损失。
在 Hugging Face 查看
排行第三：无需搜索的序列级概率分布蒸馏方法
研究语言模型在生成过程中正确答案总概率低于错误答案集合的问题。提出在线策略幂蒸馏方法，通过幂分布调整将概率集中于高置信答案，使用序列蒙特卡洛采样器让模型在训练时自我生成候选答案并进行加权更新。该方法使模型单次生成即可输出经幂分布优化的结果，避免传统方法对每个查询需多次采样评分的高成本。
在 Hugging Face 查看
排行第四：Jev型决策模型中标签覆盖定义现象研究
针对带类型决策模型在选项标签与定义文本冲突时的决策偏好问题，通过分析开源模型权重发现存在选项标签偏见现象。研究覆盖四种开源决策模型，通过权重修补实验验证模型概率输出更倾向于遵循简短标签而非开发者编写的详细定义规则。这一发现对路由、审核等应用场景的模型可靠性具有重要启示。
在 Hugging Face 查看
排行第五：自适应融合先验的可控生成图像压缩
提出AFP-GIC方法解决极低码率下图像纹理细节丢失问题。该方法通过从冻结预训练模型转移自适应融合先验，使单一编解码器支持不同码率与重建偏好控制。相比现有基于单码本先验的可控方案，融合多先验能更好保持局部结构，在生成式压缩框架下实现率失真性能与视觉质量的平衡。（论文赞 1）
在 Hugging Face 查看
排行第六：LLM-as-Jev：大模型即用决策框架研究
探索通用大语言模型直接作为Jev式决策模型的可行性。提出LLM-as-Jev框架，通过括号内数字标识符的下一个词概率直接提取校准决策，提供无需训练的推理方案和基于树分解列表损失的微调目标。研究明确何时需要微调来优化候选选择，同时通过辅助损失保持原始能力，为软件系统直接使用大模型决策提供新范式。（论文赞 1）
在 Hugging Face 查看
排行第七：数据不足下大语言模型的协作式个性化偏好对齐
现实用户对大语言模型响应的多目标偏好高度异质，稀缺的用户反馈使个性化训练困难。跨用户学习共享初始化可支持少样本适配，但异质偏好和竞争目标导致用户间及用户内的梯度冲突，阻碍有效初始化学习。本文提出方法协作学习对齐器初始化，以支持多样用户偏好的少样本适配。（论文赞 1）
在 Hugging Face 查看
排行第八：超越语义相似性：复杂任务中智能检索的性能与成本
现代信息系统常用依赖表面语义相似性的密集检索，但不足以应对复杂搜索任务。本文研究结合大语言模型推理与检索器的智能检索（ReAct循环），实验显示其比标准检索提升nDCG@10达8.7点，而专用检索方法效果不佳。（论文赞 3）
在 Hugging Face 查看
排行第九：COSMI：多对象交互的组合式合成数据集
人类-对象交互生成模型受数据限制（多数数据集仅记录单个对象）。本文利用交互局部性，通过组合单对象交互片段（接触一致、镜像平衡、跨主体转移，经语言和几何检查）生成多对象活动，使COSMI数据集能组合式增长。（论文赞 2）
在 Hugging Face 查看
排行第十：用于自回归生成的潜在蛋白质语言学习
自回归变压器在蛋白质序列和结构生成中表现较弱。本文研究目标表示问题，引入两种潜在蛋白质语言：PLL（基于ESM-2将序列映射到4096状态字母表）和SLL（适配GCP-VQVAE Lite并保留坐标解码），通过预训练提升生成能力。（论文赞 1）
在 Hugging Face 查看
排行第十一：世界编辑：递增深度干预可执行世界
交互式世界模型可生成环境，但编辑现有可执行世界未被充分探索。本文将其定义为在保留属性的同时干预，并引入“干预深度”概念。通过游戏改装实现，发布IGMWorld数据集和IGMBench基准（含110任务、1.1K准则），覆盖多类编辑任务。（论文赞 6）
在 Hugging Face 查看
排行第十二：iADD：扩散策略优化中的对齐与多样性提升
基于强化学习的扩散模型post-training（如DDPO）在奖励下优化反向过程，但现有方法牺牲多样性和质量。本文通过理论分析指出仅后期时间步更新可能损害多样性（与 prior 工作相反），并提出增量费曼-卡训练方法优化权衡。
在 Hugging Face 查看
