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 2200，趋势分 1821。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2200 · 趋势分 1821）
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 1836，趋势分 1636。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1836 · 趋势分 1636）
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 1443，趋势分 1213。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1443 · 趋势分 1213）
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 1016，趋势分 990。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1016 · 趋势分 990）
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 788，趋势分 727。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 788 · 趋势分 727）
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 3598，趋势分 685。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3598 · 趋势分 685）
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 636，趋势分 585。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 636 · 趋势分 585）
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 6829，趋势分 482。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6829 · 趋势分 482）
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 509，趋势分 471。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 509 · 趋势分 471）
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 5355，趋势分 430。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5355 · 趋势分 430）
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 17224，趋势分 337。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17224 · 趋势分 337）
在 Hugging Face 查看
论文
排行第一：策略蒸馏的增益与崩溃：强化学习视角
本文从强化学习视角分析策略蒸馏在语言模型后训练中的作用。研究发现，策略蒸馏能提升性能，但也可能导致生成内容冗长重复。机制在于教师模型隐式奖励学生行为，即使这些行为教师自身很少表现。实验表明，策略蒸馏并未扩展学生能力，而是当隐式奖励模型可靠时，使正确响应更易采样；当偏好错位时，则引发问题。（论文赞 16）
在 Hugging Face 查看
排行第二：通过策略上下文蒸馏将智能体经验内化到扩散模型
本文提出扩散策略上下文蒸馏方法，旨在将智能体系统的知识编码到扩散模型权重中。智能体系统通过记忆、技能和工作流编排提升文本到图像生成性能，但增益仅存在于系统运行时。该方法将智能体改进的提示作为特权上下文进行蒸馏，使扩散模型在独立运行时仍保留部分系统优势，实现知识内化。
在 Hugging Face 查看
排行第三：PhysEvo：Astra 的行动与自我改进框架
本文介绍 PhysEvo 框架，实现围绕单个冻结模型的物理递归自我改进。任务智能体执行机器人任务，元智能体利用轨迹诊断故障、修订工具和技能并测试修正。元智能体还能改进自身诊断工具，使修订支持后续行动和自我改进。该过程无需模型权重更新或单独训练动作策略，即可开发关节级控制、证据寻求观察和可重用操作技能。（论文赞 5）
在 Hugging Face 查看
排行第四：QuadTok：自回归图像生成的四叉树视觉分词器
本文提出 QuadTok 框架，用于视觉分词和自回归图像生成。相比传统二维网格或一维序列方法，该框架采用分层四叉树结构，平衡二维空间绑定和一维序列灵活性。分词器动态分配表示能力给视觉复杂区域，同时粗化均匀区域。在 ImageNet 上训练的分词器可节省约 10% 的 token，零样本迁移到 COCO 数据集节省 9%，且保持重建保真度。（论文赞 8）
在 Hugging Face 查看
排行第五：通过部署协同演化机器人编排器与策略
本文探讨视觉-语言-动作策略在真实世界部署中的泛化问题。智能体系统通过视觉语言模型编排器补充策略，学习何时调用策略、如何指令及使用脚本技能。但由于策略语言可操控性有限，编排器只能规避而非克服策略失败。策略成为系统瓶颈。微调策略可消除瓶颈，但单独更新会带来挑战，需协同演化编排器与策略。
在 Hugging Face 查看
排行第六：SkillForge：通过动态技能生命周期协同演化技能与智能体
本文提出 SkillForge 方法，通过动态技能生命周期协同演化技能库与智能体。技能作为记忆形式，将指令与任务类型适用条件配对。但 indiscriminately 保留所有技能会导致过时或有害条目积累。该方法引入试验、活跃、稳定和退役状态的生命周期，使技能与模型在训练中共演化。预强化学习评估阶段利用基础模型 rollout 预淘汰低适应度技能，优化技能库。（论文赞 1）
在 Hugging Face 查看
排行第七：重新思考世界-动作模型
提出了一种分层框架ViGAR，将操作分解为视觉子目标规划器和子目标执行器，通过预测视觉子目标并联合生成未来视觉轨迹和动作，实现更精细的子任务推理和协调操作。（论文赞 2）
在 Hugging Face 查看
排行第八：Tetris3D：可拼接的3D场景生成
提出Tetris3D框架，通过显式建模物体间的几何和物理关系，生成在空间上兼容且物理合理的3D场景，提升单图像3D重建中物体间的空间一致性。（论文赞 26）
在 Hugging Face 查看
排行第九：SWE-Game：编码代理能否构建游戏
引入SWE-Game基准，包含247个任务，涵盖从设计文档到代码修复的多种开发场景，评估代理在2D和3D游戏中实现机制正确性和可玩性的能力。（论文赞 17）
在 Hugging Face 查看
排行第十：DLoop：循环推测解码
提出DLoop方法，通过循环推测解码加速大语言模型的自回归生成，优化了轻量级草案模型与目标模型之间的验证机制，提高生成效率。（论文赞 3）
在 Hugging Face 查看
排行第十一：RunningTab：环境侧标签的直接交互
提出RunningTab系统，支持代理通过直接工作区交互访问和处理文件，解决任务跟踪和上下文管理问题，提升代理在知识工作中的任务完成能力。（论文赞 25）
在 Hugging Face 查看
排行第十二：UniWAM：统一世界-动作模型
提出UniWAM统一架构，整合物理推理器、世界生成器和动作预测器，联合学习物理世界的语义理解、视觉生成和动作预测，提升模型在分布变化下的推理能力。（论文赞 8）
在 Hugging Face 查看
