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 2862，趋势分 2374。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2862 · 趋势分 2374）
在 Hugging Face 查看
排行第二：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 1811，趋势分 1551。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1811 · 趋势分 1551）
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 1885，趋势分 1397。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1885 · 趋势分 1397）
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 1187，趋势分 1151。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1187 · 趋势分 1151）
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 813，趋势分 751。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 813 · 趋势分 751）
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 3675，趋势分 679。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3675 · 趋势分 679）
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 669，趋势分 617。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 669 · 趋势分 617）
在 Hugging Face 查看
排行第八：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 624，趋势分 583。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 624 · 趋势分 583）
在 Hugging Face 查看
排行第九：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 690，趋势分 529。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 690 · 趋势分 529）
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 6937，趋势分 494。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6937 · 趋势分 494）
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 5386，趋势分 373。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5386 · 趋势分 373）
在 Hugging Face 查看
排行第十二：GLM5.3-Flash-E224-DGX-Spark（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 376，趋势分 343。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 376 · 趋势分 343）
在 Hugging Face 查看
论文
排行第一：AutoResearch生产级应用：故障模式与多智能体框架
本文应用Andrej Karpathy的AutoResearch范式，通过大型语言模型迭代编辑训练脚本并保留能提升保留标量指标的修改，以自动化优化生产推荐流水线中的嵌入系统。研究基于在图书推荐流水线中运行该范式12周的经验，报告了在生产规模下迭代消耗多GPU计算小时、评估涉及竞争标准以及跨多个训练任务持续数周的活动中出现的故障模式，并提出了一个多智能体框架来应对这些挑战。
在 Hugging Face 查看
排行第二：ReGain：在合成图像个性化中恢复主体保真度
本文研究文本到图像扩散模型通过DreamBooth对少量图像进行微调以实现个性化时，当这些图像来自扩散模型而非相机，会导致主体保真度下降，产生过饱和颜色和过多高频细节。通过对比在真实照片和合成图像上微调的模型，研究将退化归因于分类器无关引导（CFG），并分析了条件噪声与无条件噪声之间的角度变化，旨在提出方法恢复保真度。
在 Hugging Face 查看
排行第三：智能体可塑性：通过经验衡量自我改进能力
本文提出评估AI智能体自我改进能力的方法，关注智能体在环境中诊断失败并通过经验改进的效能。研究通过三个问题评估：未来性能是否提升并泛化、新能力获取效率如何、自我改进过程在何处失效。在受控设置中，智能体将过去经验摊销为可重用构件，由未来实例继承，并在每个检查点分析改进过程，以量化可塑性。（论文赞 1）
在 Hugging Face 查看
排行第四：RoboJEPA：扩展机器人潜在世界模型
本文介绍RoboJEPA，一个基于联合嵌入预测架构（JEPA）的世界模型，使用涵盖12种机器人 embodiment 的大规模数据集训练。研究显示，RoboJEPA的潜在 rollout 想象误差随计算量遵循二阶幂律，从而能预测超出拟合规模的模型质量。此外，下游机器人任务性能与想象误差相关，为世界模型能力随规模扩展提供了原则性估计方法。（论文赞 1）
在 Hugging Face 查看
排行第五：Inherit-MAS：通过工作流与执行继承实现多智能体系统测试时进化
本文提出Inherit-MAS框架，受生物进化中继承与选择启发，解决多智能体系统（MAS）工作流设计难题。框架通过元模型合成具有声明角色、通信输入和工具权限的工作者智能体工作流，并由独立评判器评分。测试时进化利用执行反馈细化工作流，同时通过工作流和执行层面的显式继承，避免破坏有用组件和减少冗余计算，提升系统适应性。（论文赞 4）
在 Hugging Face 查看
排行第六：超越参数单体：语言模型的重构记忆、可执行技能与残差组装
本文探索FEM-ASM组织，受有限元方法启发，将语言模型系统分离为上下文计算、持久存储和精确执行。独立构建的文档状态和确定性可执行技能向共享语言模型状态提交类型化提案，显式残差算子协调公共接口节点上的提案。通过控制实验和负面结果评估该组织，而非声称语言物理有限元公式，并开发无注意力Multi-Mesh原型学习因果语言模型。（论文赞 1）
在 Hugging Face 查看
排行第七：DSReg: 无需重建恢复个体世界隐变量
该论文提出了一种无需重建、解码器或标签即可证明恢复个体世界隐变量的方法。关键条件是结构多样性，不同隐变量在观测中留下不同的依赖痕迹，从而实现隐变量的可恢复性。（论文赞 2）
在 Hugging Face 查看
排行第八：角点案例的极端程度：百分位控制
该研究通过条件风险分布的百分位来量化生成场景的极端程度，从而更精确地控制自动驾驶仿真中角点案例的 adversity，提升测试的校准性和安全性评估能力。（论文赞 1）
在 Hugging Face 查看
排行第九：MIMESIS：作为训练环境的用户模拟器
MIMESIS 是一种基于真实用户交互数据训练的用户模拟器，通过显式推理监督和13种行为模式，模拟真实用户行为，为交互式语言代理提供更有效的训练环境。（论文赞 11）
在 Hugging Face 查看
排行第十：Iris-3B：超越隐变量的像素空间扩散
Iris-3B 是一个3B参数的像素空间文本到图像变换器，通过256到1024的课程训练，测试像素空间扩散模型在细节任务上的优势，并与隐变量模型进行转换和微调比较。（论文赞 7）
在 Hugging Face 查看
排行第十一：谱系感知记忆治理：列级访问控制
该论文提出Analytical Memory Unit（AMU）框架，通过为每个缓存结果附加完整的推导图谱，实现基于推导路径的隐私保护列级访问控制，防止敏感数据泄露。（论文赞 1）
在 Hugging Face 查看
排行第十二：多教师在线蒸馏：教师相对偏移
Δ-MOPD 方法通过转移教师相对于基础模型的对数偏移，而非直接传递最终策略，以更精确地整合多教师知识，提升多教师在线蒸馏的效果。（论文赞 7）
在 Hugging Face 查看
