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 1700，趋势分 1534。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1700 · 趋势分 1534）
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 989，趋势分 803。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 989 · 趋势分 803）
在 Hugging Face 查看
排行第三：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 722，趋势分 691。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 722 · 趋势分 691）
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 3443，趋势分 659。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3443 · 趋势分 659）
在 Hugging Face 查看
排行第五：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 727，趋势分 589。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 727 · 趋势分 589）
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 606，趋势分 552。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 606 · 趋势分 552）
在 Hugging Face 查看
排行第七：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 527，趋势分 517。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 527 · 趋势分 517）
在 Hugging Face 查看
排行第八：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 5292，趋势分 511。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5292 · 趋势分 511）
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 6681，趋势分 489。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6681 · 趋势分 489）
在 Hugging Face 查看
排行第十：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 511，趋势分 488。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 511 · 趋势分 488）
在 Hugging Face 查看
排行第十一：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 404，趋势分 396。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 404 · 趋势分 396）
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 17124，趋势分 336。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17124 · 趋势分 336）
在 Hugging Face 查看
论文
排行第一：DistScene：面向3D场景生成的对象到场景蒸馏
本文提出DistScene框架，用于从单张图像生成组合式3D场景，同时建模环境和单个对象。与现有方法主要将场景表示为对象集合不同，该方法将环境作为显式场景组件，为对象放置提供几何上下文。具体包括：场景框架生成，在共享坐标系中联合生成独立的环境和对象组件；对象中心细化，在局部框架中利用场景上下文优化每个对象；以及对象到场景蒸馏技术。（论文赞 1）
在 Hugging Face 查看
排行第二：EmbodiedSmith：通过模拟递归自改进扩展具身数据
本文介绍EmbodiedSmith框架，通过递归自改进实现可扩展的具身数据生成。该框架统一了资产、场景和任务生成流程，支持自主创建和语言驱动定制。其核心是一个代理式细化循环：场景生成能够预测下游任务需求，从而克服现有生成管道在预定义资产与技能、场景与任务生成脱节、以及对复杂具身和物理支持有限等问题。
在 Hugging Face 查看
排行第三：VeriFine：扩展具身推理自改进中的验证能力
本文提出VeriFine代理框架，通过策略、训练课程和评判器的协同进化来扩展验证能力。自改进策略会不断暴露新的失败模式，而固定评判器会限制优化反馈和有用训练样本的发现。VeriFine的策略改进循环使用标准评判器诊断重复失败、构建自适应课程，以应对具身推理中需考虑空间基础、因果推理和安全决策的可靠评估挑战。（论文赞 1）
在 Hugging Face 查看
排行第四：世界模型的物理期末考试
本文介绍一个基于测量的基准测试，用于评估视频世界模型的物理一致性。该基准包含40个受控任务，涵盖力学、光学、流体、热与相变现象、电磁学和表面张力等领域。每个任务将初始图像和生成提示与预定义的物理标准配对，旨在检测模型生成视觉逼真但物理不一致序列的问题，为具身AI系统的预测和规划可靠性提供评估。
在 Hugging Face 查看
排行第五：AutoSciBench：科学代理评估的自动基准生成
本文提出AutoSciBench框架，研究科学代理基准能否随代理能力进化而自动生成和迭代适应。该框架将每个任务表示为指定科学领域、数据模态和所需推理方法的高级概念，以解决现有基准易饱和、更新需大量时间劳动和领域专业知识的问题，从而保持评估与代理能力进展同步。（论文赞 7）
在 Hugging Face 查看
排行第六：从单张图像构建罗马城
本文提出一种从单张图像生成完整3D场景网格的方法，包括相机未观察到的表面。该方法重新设计以对象为中心的生成器（如Trellis 2），使其适用于室内外场景，同时保留其先验知识。关键技术包括：根据相机距离将场景划分为自适应块，近处块尺寸较小以保留细节，从而克服户外场景3D数据有限和生成器主要针对室内固定规范体积的问题。（论文赞 1）
在 Hugging Face 查看
排行第七：EVISKILL：基于可重放证据的技能演化
该论文提出了一种无需更新模型参数的持续技能演化方法，通过交互经验积累和优化可复用的过程性知识。关键在于确定修改内容、理由及持久化时机，解决了现有方法可能丢失行为证据和任务上下文的问题。（论文赞 1）
在 Hugging Face 查看
排行第八：DuoMatching：联合-边缘分布匹配的少步视频生成
研究提出DuoMatching框架，通过联合-边缘分布匹配逼近真实视频分布。在现有联合匹配基础上增加边缘匹配目标，从图像生成器获得帧级监督，提升视频生成的视觉质量和语义对齐。（论文赞 5）
在 Hugging Face 查看
排行第九：基于选择的结构化推理：高效多模态搜索代理
针对小模型推理效率低的问题，提出选择式结构化推理框架SSR，将开放式推理重构为预定义自然语言候选的选择过程，减少无用推理开销，提升多模态代理的行动生成效率。（论文赞 8）
在 Hugging Face 查看
排行第十：通过推测执行隐藏语音代理的工具延迟
研究提出推测工具执行方法，在语音识别过程中预测工具调用并提前执行，将工具延迟隐藏在语音接收阶段，显著降低级联语音代理的端到端响应延迟。（论文赞 2）
在 Hugging Face 查看
排行第十一：DiVeR：VLA测试时扩展的决策关键验证器学习
针对机器人数据成本高的问题，提出基于验证器的测试时扩展方法，通过学习轨迹中决策关键状态的判别信号，从多个候选动作中选择最可能成功的方案。（论文赞 1）
在 Hugging Face 查看
排行第十二：测量和改进CoT与内部推理的对齐
研究提出CIA指标，量化大语言模型的思维链与内部计算过程的一致性，通过三种任务评估发现现有CoT常不能反映真实推理，并探索改进对齐的方法。（论文赞 2）
在 Hugging Face 查看
