Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 2288，趋势分 1894。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2288 · 趋势分 1894）
在 Hugging Face 查看
排行第二：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 1844，趋势分 1644。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1844 · 趋势分 1644）
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 1481，趋势分 1249。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1481 · 趋势分 1249）
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 1041，趋势分 1014。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1041 · 趋势分 1014）
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 790，趋势分 729。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 790 · 趋势分 729）
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 3609，趋势分 690。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3609 · 趋势分 690）
在 Hugging Face 查看
排行第七：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 668，趋势分 601。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 668 · 趋势分 601）
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 637，趋势分 586。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 637 · 趋势分 586）
在 Hugging Face 查看
排行第九：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 521，趋势分 483。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 521 · 趋势分 483）
在 Hugging Face 查看
排行第十：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 6833，趋势分 479。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6833 · 趋势分 479）
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 5357，趋势分 422。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5357 · 趋势分 422）
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 17229，趋势分 340。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17229 · 趋势分 340）
在 Hugging Face 查看
论文
排行第一：EngramEdit：通过条件记忆实现大模型知识解耦更新
条件记忆架构（如DeepSeek Engram）用输入n-gram查找嵌入以扩展大模型容量，虽有潜力将事实知识存储与Transformer主干解耦，但不同事实表达可能激活不同嵌入，更新共享嵌入会意外改变其他事实预测。本文提出EngramEdit解决这一挑战。（论文赞 1）
在 Hugging Face 查看
排行第二：从帕累托到偏好：基于摊销智能体策略的个性化测试时扩展
测试时扩展（TTS）通过分配额外推理计算提升大模型推理能力，但现有方法多单维度优化（如准确率-成本或延迟），而用户需求是多维的（准确率、延迟、推理成本）。本文将个性化测试时扩展转化为发现最大化用户特定需求满足率的可执行控制器，并通过摊销智能体策略发现降低重复策略开销。（论文赞 11）
在 Hugging Face 查看
排行第三：在线策略蒸馏的收益与崩溃：强化学习视角分析
在线策略蒸馏（OPD）是语言模型post-training的重要方法，但可能导致生成过长或重复，其机制不明。本文从强化学习视角解释：教师会隐含奖励学生行为（即使自身罕见）。实验表明OPD提升性能但不扩展学生能力；隐含奖励可靠时易采样正确响应，偏好不一致则导致崩溃。（论文赞 21）
在 Hugging Face 查看
排行第四：通过在线策略上下文蒸馏内化智能体经验到扩散模型
将扩散模型嵌入智能体框架可通过记忆、提示修订提升文本到图像生成性能，但增益仅在框架运行时存在。本文提出D-OPCD，将智能体优化的提示视为特权上下文，将框架知识蒸馏到扩散模型权重中，使模型无需框架即可保留部分增益。（论文赞 5）
在 Hugging Face 查看
排行第五：PhysEvo：Astra能行动，让它实现物理递归自我改进
PhysEvo是围绕冻结模型的物理递归自我改进框架：任务代理执行机器人任务，元代理利用轨迹诊断故障、修订工具/技能并测试修正，还能优化自身诊断工具；无需更新模型权重或单独训练动作策略，即可发展关节控制、寻证观察等复用技能。（论文赞 8）
在 Hugging Face 查看
排行第六：QuadTok：用于自回归图像生成的四叉树视觉分词器
本文提出QuadTok，用分层四叉树结构实现视觉分词和自回归图像生成，动态为视觉复杂区域分配表示能力，简单区域用粗分辨率；在ImageNet训练节省约10% tokens，零-shot迁移到COCO省9%，同时保持重建保真度，天然序列特性适合自回归生成。（论文赞 9）
在 Hugging Face 查看
排行第七：通过部署协同进化机器人协调器和策略
视觉语言动作策略在训练域内表现良好，但在真实部署中难以泛化。代理机器人系统通过视觉语言模型协调器来补充策略，学习何时调用策略、如何指导以及何时使用脚本技能。然而，由于策略是固定的，协调器只能避免失败，无法克服。微调策略可以消除瓶颈，但更新策略本身存在挑战。（论文赞 1）
在 Hugging Face 查看
排行第八：SkillForge：通过动态技能生命周期协同进化技能与代理
记忆增强强化学习提升了大语言模型代理解决复杂长时任务的能力。技能是记忆的一种形式，将指令与任务类型适用条件配对。但保留所有技能会导致过时或有害条目积累并误导代理。SkillForge提出一种基于适应度的技能生命周期方法，使技能库在训练中动态演化，实现技能与模型的协同进化。（论文赞 2）
在 Hugging Face 查看
排行第九：重新思考世界-动作模型用于组合与上下文机器人操作
长时程组合操作对真实机器人部署日益重要，单个任务涉及多个协调子任务。现有世界-动作模型联合预测短时程视觉未来和动作，但缺乏显式的子任务推理。我们提出视觉目标条件动作推理框架，将操作分解为视觉子目标规划器和子目标执行器，实现分层操作。（论文赞 3）
在 Hugging Face 查看
排行第十：Tetris3D：可组合物体的3D场景生成
我们提出Tetris3D，一种单图像3D场景重建的生成框架，恢复在物理和几何上一致的物体。现有方法通常独立生成物体或隐式耦合，难以确保邻近物体的精细空间兼容性。我们显式地将每个物体的生成条件化于周围物体的几何和物理关系，引导其形状和姿态保持几何和物理合理性。（论文赞 28）
在 Hugging Face 查看
排行第十一：SWE-Game：编码代理能否构建我们想要的游戏？
我们引入SWE-Game，一个包含247个任务的基准，基于41个可执行的Godot游戏，涵盖13种2D和3D游戏玩法类别。五种任务类型包括从简要描述开发、从游戏设计文档实现、骨架完成、修复83个注入故障案例以及Godot到Unity的移植。参考材料指定预期游戏玩法，共享仪器接口允许评估者驱动和探测执行动作并观察独立实现的游戏。（论文赞 20）
在 Hugging Face 查看
排行第十二：DLoop：循环推测解码
推测解码加速了大语言模型的自回归生成。在每个草稿阶段，轻量级草稿模型提出标记，目标模型随后验证。随着草稿模型能力增强，目标模型经常接受草稿阶段的所有标记。然而，每个草稿阶段后仍进行验证，导致不必要的目标模型前向传递，即使草稿可以继续。自适应草稿长度方法在解码期间决定多少草稿标记先于验证，但仅对自回归草稿模型提高加速。对于并行草稿模型，进一步草稿需要目标模型。（论文赞 6）
在 Hugging Face 查看
