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 2125，趋势分 1756。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2125 · 趋势分 1756）
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 1833，趋势分 1635。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1833 · 趋势分 1635）
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 1407，趋势分 1179。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1407 · 趋势分 1179）
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 999，趋势分 973。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 999 · 趋势分 973）
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 787，趋势分 726。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 787 · 趋势分 726）
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 3593，趋势分 684。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3593 · 趋势分 684）
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 664，趋势分 597。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 664 · 趋势分 597）
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 635，趋势分 584。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 635 · 趋势分 584）
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 6822，趋势分 480。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6822 · 趋势分 480）
在 Hugging Face 查看
排行第十：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 494，趋势分 456。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 494 · 趋势分 456）
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 5353，趋势分 433。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5353 · 趋势分 433）
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 17222，趋势分 338。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17222 · 趋势分 338）
在 Hugging Face 查看
论文
排行第一：SkillForge：通过动态技能生命周期实现技能与智能体协同演化
记忆增强强化学习能提升大语言模型智能体解决复杂长周期任务的能力，技能是一种记忆形式，但随着策略优化，过时或有害技能会累积误导智能体。本文提出SkillForge方法，通过健身驱动的技能生命周期（试用、活跃、稳定、退休状态）编译和演化技能库，实现技能与模型在训练中协同演化。预强化学习阶段先利用基础模型的自推演提前淘汰低适配技能
在 Hugging Face 查看
排行第二：重新思考适用于组合式与上下文机器人操纵的世界-动作模型
长周期组合式操纵对现实机器人部署很重要，涉及多协作子任务。现有世界-动作模型（WAMs）联合预测短周期视觉未来和动作，但缺乏明确的子任务级推理。本文提出分层框架ViGAR，将操纵分解为视觉子目标规划器（根据当前观察和全局指令预测下一子任务的视觉子目标）和子目标执行器（联合生成未来视觉轨迹和动作）（论文赞 2）
在 Hugging Face 查看
排行第三：Tetris3D：生成物体相互契合的3D场景
现有单图像3D场景重建方法常独立或隐式生成物体，难以保证相邻交互物体的精细空间兼容性。本文提出Tetris3D，通过明确让每个物体依赖周围物体的几何形状和物理关系进行生成，确保场景几何和物理合理性。此外引入ComOb数据集，包含120万余个基于物理模拟的场景（论文赞 21）
在 Hugging Face 查看
排行第四：SWE-Game：编码智能体能否构建我们想要的游戏？
本文引入SWE-Game基准，包含247项任务，基于41个可执行的Godot游戏（涵盖13类玩法、2D/3D）。任务类型包括简要开发、设计文档实现、骨架补全、83个注入故障修复及Godot到Unity的移植。参考材料明确预期玩法，共享仪器接口支持评估，评价结合引擎检查、输入回放和功能演示（论文赞 11）
在 Hugging Face 查看
排行第五：DLoop：循环推测解码
推测解码通过轻量草稿模型提出token、目标模型验证来加速大语言模型生成。但目标模型常接受所有草稿token，仍需验证导致不必要的前向传递。自适应草稿长度仅提升自回归草稿模型的加速效果，而并行草稿模型若要继续生成还需目标模型参与（论文赞 2）
在 Hugging Face 查看
排行第六：RunningTab：通过环境侧标签实现直接工作区交互
大语言模型智能体通过直接语料交互（无索引搜索读取文件）处理知识工作，但上下文窗口无法跟踪任务需求、已读文件和未打开文件，导致智能体可能遗漏信息。本文提出RunningTab解决这一问题（论文赞 20）
在 Hugging Face 查看
排行第七：UniWAM：统一世界-动作模型
UniWAM是一种统一架构，整合了物理推理器、世界生成器和动作预测器，旨在联合学习物理世界的语义理解、视觉生成和动作预测。该模型结合了视觉语言模型的理解能力与视频生成模型的时空先验，以提升对世界动态的建模能力。（论文赞 1）
在 Hugging Face 查看
排行第八：基于证据对齐的多模态嵌入学习
EviAlign通过将语义证据生成与边界读取结合，在共享多模态大语言模型中实现证据的语义组织与表示读取。该方法将证据划分为五个语义单元，读取每个单元边界的上下文状态，并聚合为单一归一化嵌入，以提升检索嵌入的质量。（论文赞 1）
在 Hugging Face 查看
排行第九：RobotWorld：多模态机器人任务基准
RobotWorld是一个用于机器人物理任务执行的模拟测试平台，涵盖84项任务，包括操作、移动操作、行走、驾驶和空中控制。该平台通过机器人接口将指令和观察转化为物理任务执行，并分析执行结果与轨迹，识别能力迁移与缺失。（论文赞 12）
在 Hugging Face 查看
排行第十：VepAgent：工具增强强化学习预测视频事件
VepAgent是一种代理框架，结合因果过渡推理与工具增强强化学习，用于视频事件预测。该方法通过显式建模从观测状态到未来事件的逻辑进展，克服了传统方法依赖历史依赖关系的局限，提升预测鲁棒性。（论文赞 3）
在 Hugging Face 查看
排行第十一：RoboQuest：搜索、检查与测试的通用物理代理
RoboQuest是一个目标导向的具身探索基准，要求代理通过物理交互主动获取任务相关信息。代理需决定物体位置、检查未观测属性或发现工具效果，并根据获得的证据调整后续动作，自主决定何时完成任务。（论文赞 1）
在 Hugging Face 查看
排行第十二：STEPQuant：误差在递归状态量化中的影响
STEPQuant研究了在delta规则递归状态量化中误差的时间和空间影响。由于量化误差在状态更新中传播，直接低精度量化会导致严重精度下降。该研究发现误差影响取决于时间持久性和空间分布差异，提出针对性优化策略。（论文赞 25）
在 Hugging Face 查看
