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 1765，趋势分 1586。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1765 · 趋势分 1586）
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 1546，趋势分 1287。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1546 · 趋势分 1287）
在 Hugging Face 查看
排行第三：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 1025，趋势分 860。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1025 · 趋势分 860）
在 Hugging Face 查看
排行第四：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 818，趋势分 799。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 818 · 趋势分 799）
在 Hugging Face 查看
排行第五：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 757，趋势分 724。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 757 · 趋势分 724）
在 Hugging Face 查看
排行第六：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 3530，趋势分 686。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3530 · 趋势分 686）
在 Hugging Face 查看
排行第七：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 613，趋势分 588。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 613 · 趋势分 588）
在 Hugging Face 查看
排行第八：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 635，趋势分 578。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 635 · 趋势分 578）
在 Hugging Face 查看
排行第九：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 6743，趋势分 496。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6743 · 趋势分 496）
在 Hugging Face 查看
排行第十：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 5318，趋势分 464。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5318 · 趋势分 464）
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 433，趋势分 423。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 433 · 趋势分 423）
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 17169，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17169 · 趋势分 342）
在 Hugging Face 查看
论文
排行第一：OPD Before RL: 基于策略蒸馏的强化学习
针对无法通过精确结果验证的语言模型任务，提出一种两阶段训练框架。首先利用评分标准作为教师上下文进行密集的逐token监督，然后将其作为奖励进行强化学习。该方法通过策略蒸馏实现从监督学习到强化学习的过渡，提升模型对评分标准的响应能力。（论文赞 1）
在 Hugging Face 查看
排行第二：基于推理引导的策略优化
针对强化学习中奖励稀疏导致的训练停滞问题，提出一种新的推理引导策略优化方法。该方法通过自适应推理支架生成辅助推理过程，增强模型在复杂任务中的推理能力，无需依赖特定格式的外部数据，提升训练效率。（论文赞 1）
在 Hugging Face 查看
排行第三：基于MoE路由器的跨语言对齐
针对解码器模型中跨语言表示对齐的挑战，提出利用混合专家（MoE）路由器输出作为对齐目标的新方法。该方法在不依赖隐藏状态对齐损失的情况下，实现跨语言表示的显式对齐，提升多语言模型的迁移性能。
在 Hugging Face 查看
排行第四：混合注意力模型的多语言性研究
研究混合注意力机制对语言模型多语言能力的影响。通过分析不同注意力机制在长序列处理中的表现，探讨其对低token化语言的处理效果，以及循环状态对语言处理的归纳偏置影响。（论文赞 1）
在 Hugging Face 查看
排行第五：S2PD: 串行到并行扩散视频生成
提出一种串行到并行扩散模型（S2PD），结合自回归和并行扩散过程。在高噪声阶段进行自回归计算以协调事件，低噪声阶段并行优化整个视频，提升物理和逻辑一致性，同时减少采样时间。
在 Hugging Face 查看
排行第六：语言模型是否需要可训练嵌入表
研究语言模型是否需要可训练的输入嵌入表，比较了可学习表、固定16位token-ID编码和固定可逆编码三种输入方式。在相同训练预算下，评估不同输入接口对模型性能的影响，探讨固定token编码的有效性。
在 Hugging Face 查看
排行第七：安全动作不足：视觉语言动作策略的可行未来解码
研究提出可行性-似然性差距问题，即安全动作不一定能导向任务完成。通过推导历史条件策略环境轨迹的下一区块边缘分布，引入候选依赖的可行未来质量，以评估安全完成任务的可能性。（论文赞 3）
在 Hugging Face 查看
排行第八：DiffGate：难度门控的教师指导用于在线蒸馏
针对在线蒸馏中教师与学生在轨迹层面的匹配问题，提出DiffGate方法，结合验证奖励的强化学习，实现更优的轨迹级监督，提升学生模型的推理质量。（论文赞 7）
在 Hugging Face 查看
排行第九：条件轨迹峰值：动作块上的单次多模态策略
提出条件轨迹峰值框架，联合预测完整动作块候选、概率质量与轨迹尺度，通过分布感知峰值专业化和证据门控轨迹信念传输，实现多模态模仿学习中的一致行为。
在 Hugging Face 查看
排行第十：执行对齐渐进噪声：生成机器人策略的异步重规划
为解决生成机器人策略中异步重规划的模式切换问题，提出执行对齐渐进噪声方法，通过共享噪声轨迹和动作时间相关性建模，实现跨块和块内的一致性连续性。
在 Hugging Face 查看
排行第十一：实时VLAs：阶段感知两步流去噪与系统评估
分析视觉语言动作模型推理与机器人执行之间的时延差距，提出两阶段非均匀去噪方法，减少推理步骤，提升实时性，同时优化速度场的早期稳定性和终端修正。
在 Hugging Face 查看
排行第十二：Magic-W0：结构化世界-动作基础模型
提出Magic-W0模型，联合建模结构化物理状态演化与连续动作，通过当前状态、过渡和未来状态的结构化世界转换，实现与动作生成紧密耦合的控制导向世界表示。
在 Hugging Face 查看
