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 1679，趋势分 1541。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1679 · 趋势分 1541）
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 976，趋势分 790。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 976 · 趋势分 790）
在 Hugging Face 查看
排行第三：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 712，趋势分 681。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 712 · 趋势分 681）
在 Hugging Face 查看
排行第四：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 3429，趋势分 679。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3429 · 趋势分 679）
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 591，趋势分 565。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 591 · 趋势分 565）
在 Hugging Face 查看
排行第六：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 689，趋势分 551。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 689 · 趋势分 551）
在 Hugging Face 查看
排行第七：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 5282，趋势分 534。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5282 · 趋势分 534）
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 6668，趋势分 510。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6668 · 趋势分 510）
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 488，趋势分 465。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 488 · 趋势分 465）
在 Hugging Face 查看
排行第十：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 473，趋势分 463。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 473 · 趋势分 463）
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 393，趋势分 385。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 393 · 趋势分 385）
在 Hugging Face 查看
排行第十二：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 17114，趋势分 352。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17114 · 趋势分 352）
在 Hugging Face 查看
论文
排行第一：SEER：自演化事件推理与检索
提出SEER框架，通过动态优化事件条件来提升时间序列预测。该框架将预测误差转化为反馈机制，改进检索查询并过滤噪声，实现对事件影响的因果推理，解决传统方法在外部信息利用中的不足。
在 Hugging Face 查看
排行第二：LoGRA：低秩梯度 Sketch 用于 LLM 强化学习
提出LoGRA方法，通过低秩梯度 Sketch 压缩强化学习中的梯度信息，减少内存占用。结合预测KL步控技术，控制更新幅度，提升训练效率，显著降低训练内存需求。
在 Hugging Face 查看
排行第三：能力驱动的代理记忆自演化
提出能力驱动的演化方法，将记忆程序的优化从整体性能扩展到具体能力维度。通过分离不同能力的反馈，保留有潜力的修改方向，避免整体优化中的性能掩盖，促进更有效的探索。（论文赞 1）
在 Hugging Face 查看
排行第四：选择是否替代提取？代理记忆测试
通过预注册研究比较原始对话与LLM提取事实的记忆方法。结果表明，在有限预算下，使用类型化决策模型选择的原始对话与提取式记忆效果相当，且成本更低，验证了选择机制的有效性。（论文赞 8）
在 Hugging Face 查看
排行第五：大语言模型的数值线性代数
探讨数值线性代数在大语言模型中的应用，分析其在解决科学与工程问题中的作用。通过回顾历史发展，说明线性代数如何适应科学发现的需求，推动算法创新。（论文赞 1）
在 Hugging Face 查看
排行第六：代理发现血液生物标志物
从私有健康记录中提取证据，训练图注意力网络预测候选血液表达的AUC，仅释放模型权重。代理在不暴露患者数据的情况下，利用该工具进行提出-评分-优化循环，发现新的生物标志物。（论文赞 1）
在 Hugging Face 查看
排行第七：闭合上下文差距：表格上下文学习的激活对齐
该论文提出了一种激活对齐方法，用于表格基础模型的上下文学习。通过利用完整上下文训练轻量级线性变换，使模型在仅看到部分训练样本时仍能正确行为，从而提高效率并减少性能损失。（论文赞 1）
在 Hugging Face 查看
排行第八：无需搜索的锐化：序列级功率分布的在线蒸馏
该论文提出了一种在线功率蒸馏方法，使语言模型在一次生成中直接输出高概率答案，避免了传统采样中需要大量候选答案的开销，提升了推理效率。（论文赞 1）
在 Hugging Face 查看
排行第九：标签覆盖定义的Jev式类型决策模型
该论文研究了开放权重的类型决策模型中，模型输出概率是否更依赖标签而非定义，发现存在标签偏好现象，影响了模型决策的可解释性。（论文赞 1）
在 Hugging Face 查看
排行第十：自适应融合先验迁移的可控生成图像压缩
该论文提出了一种可控生成图像压缩方法，通过从冻结预训练模型中迁移自适应融合先验，提升低比特率下的重建质量，同时保持对不同比特率和重建偏好的控制。（论文赞 1）
在 Hugging Face 查看
排行第十一：LLM-as-Jev：LLM已是Jev式决策模型
该论文研究了通用大语言模型是否具备Jev式决策能力，并提出LLM-as-Jev框架，通过提取下一个词概率直接生成分类决策，支持训练自由推理和微调优化。（论文赞 3）
在 Hugging Face 查看
排行第十二：数据不足下的协作个性化偏好对齐
该论文提出了一种协作方法，通过学习共享初始化来支持少数样本下的个性化对齐，缓解用户间和用户内梯度冲突，提升大模型响应的个性化适应能力。（论文赞 2）
在 Hugging Face 查看
