Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 1671，趋势分 1542。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1671 · 趋势分 1542）
在 Hugging Face 查看
排行第二：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 1056，趋势分 927。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 1056 · 趋势分 927）
在 Hugging Face 查看
排行第三：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 2025，趋势分 703。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 2025 · 趋势分 703）
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 3968，趋势分 611。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3968 · 趋势分 611）
在 Hugging Face 查看
排行第五：Qwen-Image-2.1-Turbo（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 530，趋势分 519。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 530 · 趋势分 519）
在 Hugging Face 查看
排行第六：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 7296，趋势分 449。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7296 · 趋势分 449）
在 Hugging Face 查看
排行第七：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 886，趋势分 440。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 886 · 趋势分 440）
在 Hugging Face 查看
排行第八：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 689，趋势分 390。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 689 · 趋势分 390）
在 Hugging Face 查看
排行第九：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 17501，趋势分 367。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17501 · 趋势分 367）
在 Hugging Face 查看
排行第十：ema-lightning（语音合成）
Hugging Face 趋势榜上的模型，任务类型是语音合成，点赞 355，趋势分 324。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 355 · 趋势分 324）
在 Hugging Face 查看
排行第十一：Underdog-Saluki-27B-1.0（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 319，趋势分 311。标签：llama.cpp、2-bit、tool-calling、function-calling、agents。（点赞 319 · 趋势分 311）
在 Hugging Face 查看
排行第十二：d1-3B（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 294，趋势分 288。标签：lfm2_vl、liquid、lfm2.5、edge、decision。（点赞 294 · 趋势分 288）
在 Hugging Face 查看
论文
排行第一：过渡规律的格结构
本文将扩散模型和自回归模型视为同一污染格上的路径，探讨了不同解码调度的性能是否能在固定步数前预测。通过定义调度成本来衡量并行步骤中丢弃的依赖关系，研究发现零成本调度的最少步数由几何结构决定。（论文赞 5）
在 Hugging Face 查看
排行第二：进化机器人中协同通信的持续性
该研究评估了协同进化通信协议从2D仿真到3D物理环境的直接迁移效果，未重新训练网络权重。两台e-puck型机器人在食物寻找任务中使用GRU网络和残差连接进行社交信号传递，尽管进行了传感器和电机层的校正，迁移仍不完全且不对称。（论文赞 4）
在 Hugging Face 查看
排行第三：协同进化通信的2D到3D迁移评估
该研究考察了协同进化通信机制从2D离散模拟器到3D物理模拟器的迁移效果，分析其在新环境中的功能保留情况。研究发现成功率随时间预算线性增加，且在2000至6000步之间未出现平台期。（论文赞 4）
在 Hugging Face 查看
排行第四：Opera：长时序编码代理的言语批评框架
长时序编码代理需要及时纠正，但反馈可能因误判或未解决根本问题而无效甚至有害。Opera框架将每次纠正视为持久笔记，持续跟踪直至问题解决，通过周期性和事件触发机制决定审查时机。（论文赞 14）
在 Hugging Face 查看
排行第五：技能星系：GitHub上的代理技能供应链
代理技能是AI编码代理运行的SKILL.md指令和脚本，开发者通过复制在仓库间共享，形成无注册、版本和来源的软件供应链。研究构建了首个基于Git历史的技能复制网络，覆盖219万次技能采用，揭示技能来源和安全修复传播路径。（论文赞 5）
在 Hugging Face 查看
排行第六：基于物理注意力偏置的电缆动力学预测
针对可变形线性物体（如电缆）的可学习模拟器，需预测未训练过的电缆运动并保持长周期稳定性。大多数误差出现在电缆自接触或与地面接触处。通过引入物理注意力偏置，增强注意力机制对几何关系的建模能力。（论文赞 5）
在 Hugging Face 查看
排行第七：GPU并行异构多任务强化学习框架
提出Hebero基准，基于GPU并行Isaac Lab环境，支持单个策略在40个异构任务上的联合训练与评估。通过增加并行实例数量，在固定时间内提升任务成功率，并引入DGPO方法，利用演示数据生成密集跟踪奖励，支持稀疏奖励和有限演示下的学习。（论文赞 12）
在 Hugging Face 查看
排行第八：Mara Chain：将失败转化为AI系统自演化的阶梯
现有AI系统优化方法常通过提出-评估-选择流程，但被舍弃的候选方案往往包含后续优化所需的关键信息。Mara Chain提出一种改进方法，将被拒绝的候选方案保留并迭代优化，避免重复失败模式，使失败成为系统演化的阶梯。（论文赞 9）
在 Hugging Face 查看
排行第九：LLM临床笔记中的偶然信息干扰推理
大型语言模型在临床记录中常插入与患者会话无关的闲聊内容，影响临床推理。研究发现，前沿模型在35%的笔记中插入闲聊，部分情况下错误归因或误用这些信息。背景语音泄露也影响48.2%的转录，干扰临床判断。（论文赞 6）
在 Hugging Face 查看
排行第十：冻结模型的持续学习：多模态医疗AI经验学习
冻结的大型语言模型和视觉语言模型在部署后无法学习新经验。提出一种模型无关框架，使冻结模型能从实际应用中学习，避免微调所需的权重访问和额外训练，同时避免参数无关方法的过拟合和视觉细节丢失问题。（论文赞 6）
在 Hugging Face 查看
排行第十一：仿真合成：通过代理系统交互生成企业数据
工具调用代理在企业AI中至关重要，但受业务和法律限制，其训练和评估受限。提出Synthesis Through Simulation（STS）方法，通过LLM代理在模拟环境中执行操作生成数据，无需依赖真实数据或模式，实现可扩展的数据合成。（论文赞 7）
在 Hugging Face 查看
排行第十二：SpecFold：扩散语言模型的多分支冗余加速解码
扩散语言模型通过迭代去噪生成文本，多分支推测解码可加速该过程。提出SpecFold方法，利用推测验证步骤中的多分支计算冗余，通过共享大部分隐藏状态，减少重复计算，提升解码效率。（论文赞 7）
在 Hugging Face 查看
