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 1800，趋势分 1615。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1800 · 趋势分 1615）
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 1829，趋势分 1526。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1829 · 趋势分 1526）
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 1193，趋势分 1011。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1193 · 趋势分 1011）
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 911，趋势分 888。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 911 · 趋势分 888）
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 772，趋势分 737。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 772 · 趋势分 737）
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 3553，趋势分 682。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3553 · 趋势分 682）
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 616，趋势分 591。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 616 · 趋势分 591）
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 642，趋势分 585。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 642 · 趋势分 585）
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 6781，趋势分 480。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6781 · 趋势分 480）
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 449，趋势分 439。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 449 · 趋势分 439）
在 Hugging Face 查看
排行第十一：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 5325，趋势分 436。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5325 · 趋势分 436）
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 17196，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17196 · 趋势分 342）
在 Hugging Face 查看
论文
排行第一：用16万次训练经验助力策略学习快速起步
论文针对离线强化和模仿学习，通过对114个数据集的16万余次策略训练的大规模实证研究，系统探究结果对报告选择、超参数调整等变量的敏感性，发现无算法主导，最强方法整体表现接近但领导者因条件不同而变化。
在 Hugging Face 查看
排行第二：DMAD：将分布匹配作为对抗蒸馏实现快速视觉生成
针对分布匹配蒸馏（DMD）需辅助扩散模型导致内存计算成本高的问题，提出DMAD，将分布匹配重铸为分类以直接学习对数密度比，用共享backbone的两个判别头区分数据来源，通过对数its线性损失训练学生模型，无需辅助得分拟合，理论证明判别最优时损失可恢复分布匹配。（论文赞 3）
在 Hugging Face 查看
排行第三：DeCoPrune：通过去噪一致性实现自回归视频扩散高效KV缓存剪枝
针对自回归视频扩散中KV缓存随生成历史持续增长的问题，提出无训练方法DeCoPrune，将缓存压缩视为去噪一致性问题，经验发现去噪难度可代理token的长期保留价值（步长到最终差异大的token含更多视觉证据），避免现有方法依赖固定窗口或局部信号的不足。（论文赞 1）
在 Hugging Face 查看
排行第四：Sensor-Language-Action模型：统一多模态传感、语言与行动的框
现有传感器模型多止于感知（识别状态或预测结果），行动常通过任务特定封闭标签空间单独建模。论文提出Sensor-Language-Action（SLA）模型，构建统一框架连接多模态传感器观察、自然语言与行动，用语言作为传感和行动的语义接口，支持异质行动的表示、预测与解释，并建立大规模SLA基准。（论文赞 1）
在 Hugging Face 查看
排行第五：CheckerBench：长视野代理能否合成静态分析检查器？
静态分析检查器合成需代理完成解释缺陷规格、检查代码仓库、实现分析逻辑、通过编译分析反馈优化等步骤。现有编码代理基准多关注补丁生成或漏洞检测，很少评估代理从开始到结束开发工作检查器的能力。论文引入CheckerBench，包含300个任务（来自297个CVEs等），每个任务提供漏洞/修复版本、分析环境和检查器脚手架。（论文赞 52）
在 Hugging Face 查看
排行第六：Sherpa：教大型语言模型自适应教学
大型语言模型（LLMs）能解题，但未必能有效教学。现有LLM教师训练方法依赖演示、偏好数据或预定义教学标准，未结合学生个体学习结果（有效教学策略因学习者而异）。论文提出Sherpa，一种多轮强化学习框架，实例化多个具有不同学习偏好的学生原型，训练教师模型以适应不同学生的学习需求。（论文赞 6）
在 Hugging Face 查看
排行第七：学习功能子空间用于神经网络压缩
本文提出了一种端到端学习子空间的方法，用于神经网络权重压缩。现有方法基于局部准则选择要移除的子空间，但忽略了误差在网络中的传播。该方法通过学习可训练的子空间投影，避免了误差累积问题，从而在高压缩率下保持性能。（论文赞 3）
在 Hugging Face 查看
排行第八：分段MoE：可配置推理复杂度的路由
本文提出了一种统一框架，将弹性结构与稀疏门控架构结合，使模型能同时适应部署约束和任务需求。该方法支持段级路由，实现灵活的计算分配，适用于不同计算资源的设备部署。（论文赞 2）
在 Hugging Face 查看
排行第九：运动学均流：机器人基础模型的一步动作生成
本文研究如何在机器人基础模型中实现一步动作生成，以降低多步流匹配的推理延迟。针对直接应用均流框架导致性能下降的问题，提出运动学均流方法，解决速度场中的动态不稳定性问题。（论文赞 1）
在 Hugging Face 查看
排行第十：OPD前RL：基于策略蒸馏的评分强化学习
本文提出一种两阶段训练框架，先用评分作为教师监督进行策略蒸馏，再用于强化学习。该方法通过在第一阶段提供细粒度的token级监督，解决奖励稀疏问题，提升模型生成质量。（论文赞 4）
在 Hugging Face 查看
排行第十一：基于理由引导的策略优化
本文提出一种基于理由引导的策略优化方法，通过自适应理由支架提升大语言模型的推理能力。该方法缓解了奖励稀疏问题，无需依赖格式匹配的辅助数据，直接利用生成的推理过程进行训练。（论文赞 11）
在 Hugging Face 查看
排行第十二：使用MoE路由器的解码器模型跨语言对齐
本文提出一种在解码器-only模型中实现跨语言对齐的新方法。通过利用混合专家路由器的输出作为对齐目标，克服了多语言分词差异带来的挑战，提升跨语言迁移能力。（论文赞 1）
在 Hugging Face 查看
