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 1411，趋势分 1315。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1411 · 趋势分 1315）
在 Hugging Face 查看
排行第二：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 5222，趋势分 700。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5222 · 趋势分 700）
在 Hugging Face 查看
排行第三：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 3237，趋势分 689。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3237 · 趋势分 689）
在 Hugging Face 查看
排行第四：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 599，趋势分 580。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 599 · 趋势分 580）
在 Hugging Face 查看
排行第五：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 6459，趋势分 487。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6459 · 趋势分 487）
在 Hugging Face 查看
排行第六：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 503，趋势分 481。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 503 · 趋势分 481）
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 410，趋势分 389。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 410 · 趋势分 389）
在 Hugging Face 查看
排行第八：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 17009，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17009 · 趋势分 342）
在 Hugging Face 查看
排行第九：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 427，趋势分 341。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 427 · 趋势分 341）
在 Hugging Face 查看
排行第十：VisionHOPE（图像分类）
Hugging Face 趋势榜上的模型，任务类型是图像分类，点赞 417，趋势分 296。标签：computer-vision、visionhope。（点赞 417 · 趋势分 296）
在 Hugging Face 查看
排行第十一：Qwen-Image-2.1（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 2981，趋势分 279。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2981 · 趋势分 279）
在 Hugging Face 查看
排行第十二：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 338，趋势分 253。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 338 · 趋势分 253）
在 Hugging Face 查看
论文
排行第一：EyeRobot 2.0：无需腕部摄像头的主动凝视
受人类视觉启发，提出一种利用主动凝视实现精细双臂操作的框架，仅使用单个立体摄像头。EyeRobot 2.0通过旋转两个眼点来聚焦场景中的三维固定点，使图像中心获得更高分辨率的视觉处理，从而集中计算资源于任务相关特征。该框架通过分层训练实现精确的凝视协调，首先训练基于目标物体的低层凝视伺服策略，再训练目标选择器生成凝视目标。（论文赞 3）
在 Hugging Face 查看
排行第二：4DCodeBench：动态场景逆图形代码生成基准
提出4DCodeBench基准，用于通过代码生成实现4D逆图形重建，要求代理从视频中重构动态场景为可执行的图形程序。代理需将视觉观测转化为场景结构和动态的紧凑表示，通过实现物理模拟等抽象来复现复杂行为。该基准包含真实世界视频和涵盖变形、流体流动、断裂等多样物理现象的合成场景，用于评估前沿模型的性能。（论文赞 9）
在 Hugging Face 查看
排行第三：CVaR策略评估的尾部影响采样
具有相似平均回报的策略在罕见失败中可能差异显著，但准确估计下尾部条件风险（CVaR）需要大量昂贵的回放。当随机工作流的不同条件组件可独立查询时，研究如何分配固定评估预算以最准确估计固定策略的CVaR。推导出每个可查询条件分布的尾部影响，聚合其不确定性对每个贝尔曼重用的影响，其方差给出固定设计效率界和最优内曼分配。尾部影响采样（TIS）从试点模型估计这些影响尺度并重新分配新查询。（论文赞 13）
在 Hugging Face 查看
排行第四：KeyRec：流式与长视频理解的有限视觉记忆
视觉语言模型越来越多用于理解长视频和连续流。然而，密集视觉标记随视频时长累积，导致长上下文推理成本过高。现有无需训练的视觉标记选择方法通过保留信息性标记降低成本，但可能丢失连贯事件证据，无法区分近期细节观察与长期历史。提出KeyRec，一种构建有限视觉记忆的无需训练框架。在查询无关写入过程中，KeyRec在视觉缓存中保留细粒度近期观察，并将历史证据组织成结构化事件库。候选事件被筛选。（论文赞 3）
在 Hugging Face 查看
排行第五：基于检索的开放评估在何处失效？
基于检索的事实性评估，即LLM生成的声明通过权威医学语料库中的证据进行验证，已成为高风险临床环境中可扩展幻觉检测的主导范式。尽管可靠透明的医学事实验证至关重要，但大多数系统仅使用F1等汇总指标衡量性能，掩盖了失败发生的位置和原因。现有RAG诊断需要黄金答案或标注的黄金证据，而这些在该场景中并不存在。引入两个全面的分类法，基于对开放医学专家数据集和3个封闭式数据集的案例研究，将失败分解为可检索。（论文赞 5）
在 Hugging Face 查看
排行第六：RealCompanion：纵向真实对话理解基准
能够与人持续交谈数月的伴侣应能理解对方。它应记住对方所说，推断其身份，并知道过去信息如何影响当前消息。测试这一能力需要真实人物的记录，但此类记录是私密的，因此基准通常生成人物和问题，并预先确定重要性。我们发布\bench，包含10个真实人际关系与AI伴侣的对话：27,218条消息，持续最长120天，以对话和四个派生文件形式发布，包括个人资料、人格、聊天真值和问题集，每个都引用其所依赖的消息。每个聊天标签都包含生成它的推理轨迹，并经过阶段检查。（论文赞 131）
在 Hugging Face 查看
排行第七：MinkowskiPE: 时空感知的位置编码
提出MinkowskiPE方法，利用时空联合坐标参数化洛伦兹变换，结合灵活学习与显式几何偏置，实现时间和空间的联合建模，解决跨尺度物理智能中的时空耦合问题。（论文赞 6）
在 Hugging Face 查看
排行第八：Latent-MOPD: 隐空间多教师策略蒸馏
提出Latent-MOPD方法，首次在表示层面实现多教师策略蒸馏，通过融合教师的预测结果和隐藏状态进行学生模型训练，无需额外教师训练，提升大语言模型的蒸馏效果。（论文赞 21）
在 Hugging Face 查看
排行第九：QuantWM: 视频世界模型的2比特KV缓存量化
针对视频世界模型中KV缓存内存瓶颈，提出QuantWM方法，研究2比特KV缓存量化，发现键值量化误差与输出退化不一致，分析注意力机制导致的差异，提升时序一致性。（论文赞 5）
在 Hugging Face 查看
排行第十：超越未来预测：去噪作为机器人控制的生成适应
提出NowWAM方法，通过去噪当前观测并预测机器人动作，实现无需未来目标的协同训练，探索预训练生成模型在控制任务中的适应方式，提升动作学习效率。（论文赞 9）
在 Hugging Face 查看
排行第十一：从梯度到能力：多教师策略蒸馏的理解
研究多教师策略蒸馏中教师信号对参数更新的影响，分析梯度、优化器更新和任务学习曲线，揭示损失平均化和Adam一阶矩对参数更新差异的调节作用。（论文赞 5）
在 Hugging Face 查看
排行第十二：WEFT: 工具使用后训练的全系统演化
提出WEFT方法，整合可扩展的代理交互系统构建、执行驱动的自我演化和稳定后训练，解决单一环境扩展无法提升模型性能的问题，促进通用代理的工具使用能力。（论文赞 8）
在 Hugging Face 查看
