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 2368，趋势分 1966。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2368 · 趋势分 1966）
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 1855，趋势分 1655。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1855 · 趋势分 1655）
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 1524，趋势分 1289。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1524 · 趋势分 1289）
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 1066，趋势分 1036。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1066 · 趋势分 1036）
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 791，趋势分 730。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 791 · 趋势分 730）
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 3619，趋势分 691。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3619 · 趋势分 691）
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 674，趋势分 606。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 674 · 趋势分 606）
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 637，趋势分 586。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 637 · 趋势分 586）
在 Hugging Face 查看
排行第九：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 537，趋势分 499。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 537 · 趋势分 499）
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 6842，趋势分 480。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6842 · 趋势分 480）
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 5363，趋势分 419。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5363 · 趋势分 419）
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 17237，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17237 · 趋势分 342）
在 Hugging Face 查看
论文
排行第一：Salt++：面向少步流式多模态生成的上下文对齐后训练
本文提出Salt++，一个两阶段后训练框架，解决少步流式音视频生成中的上下文挑战。第一阶段Causal Self-Flow利用上下文信息不对称性，第二阶段采用上下文对齐的自回归DMD方法，旨在改善因果建模和步数蒸馏，避免生成与评分上下文不匹配的问题。（论文赞 1）
在 Hugging Face 查看
排行第二：任务充分压缩：机器信息接口的源选择
本文研究任务充分压缩属性，探讨在选定下游编码器或优化器之前，如何通过任务声明减少源信息而保留完整问题族。该方法固定压缩后的源，确保后续操作点选择时，问题求解结果与保留完整源一致，针对固定动作集和损失的机器识别消费者特定源。
在 Hugging Face 查看
排行第三：StepCAD：通过LLM策略和几何引导搜索的网格到CAD代码生成
StepCAD提出一种生成优化方法，结合状态条件CAD策略和几何引导搜索，从3D网格恢复可执行CAD程序。策略根据目标和中间几何预测构建动作，IoU引导树搜索优化重建过程，旨在克服离散建模选择与连续参数交互的挑战，提升操作多样性。
在 Hugging Face 查看
排行第四：EngramEdit：通过条件记忆实现LLM中的解耦知识更新
EngramEdit针对DeepSeek Engram等条件记忆架构，提出解耦知识更新方法，解决不同事实表达激活不同n-gram嵌入的问题。该方法允许更新事实知识而保持Transformer主干固定，避免共享嵌入更新无意改变模型对其他事实的预测。（论文赞 1）
在 Hugging Face 查看
排行第五：从帕累托到偏好：通过摊销代理策略发现的个性化测试时缩放
本文形式化个性化测试时缩放问题，旨在发现可执行控制器以最大化用户特定需求的联合满足率。该方法考虑用户对准确性、延迟和推理成本的多元要求，减少重复策略发现的开销，优化推理计算分配以提升大语言模型推理能力。（论文赞 13）
在 Hugging Face 查看
排行第六：在线策略蒸馏的收益与崩溃：强化学习视角
从强化学习视角分析在线策略蒸馏的 divergent 结果：教师隐式奖励学生行为，即使教师自身很少表现。实验表明，当隐式奖励模型可靠时，OPD使正确响应更易采样；偏好错位时可能导致生成长重复内容，揭示性能提升并非扩展学生能力。（论文赞 23）
在 Hugging Face 查看
排行第七：基于策略上下文蒸馏的扩散模型
本文提出D-OPCD方法，将代理改进的提示作为特权上下文，通过知识蒸馏将代理框架中的知识融入扩散模型权重中，使模型在条件生成时保留部分代理带来的优势，提升文本到图像生成性能。（论文赞 7）
在 Hugging Face 查看
排行第八：PhysEvo：物理递归自我改进框架
PhysEvo是一种围绕冻结模型的物理递归自我改进框架，通过任务代理执行机器人任务，元代理诊断失败并改进工具与技能，支持自我改进，实现关节级控制和可复用操作技能，无需更新模型权重。（论文赞 8）
在 Hugging Face 查看
排行第九：QuadTok：四叉树视觉分词器
QuadTok是一种新型视觉分词框架，采用分层四叉树结构，动态分配表示容量，提升复杂区域的分辨率，相比固定网格节省约10%的token，同时保持重建保真度，适用于自回归图像生成。（论文赞 10）
在 Hugging Face 查看
排行第十：部署中协同进化机器人编排者
本文提出通过部署协同进化机器人编排者与策略的方法，利用视觉语言模型作为编排者，指导策略调用和技能使用，解决策略泛化不足问题，提升机器人在真实环境中的适应能力。（论文赞 1）
在 Hugging Face 查看
排行第十一：SkillForge：动态技能生命周期进化
SkillForge是一种代理强化学习方法，通过试错、活跃、稳定和退役状态的技能生命周期，动态编译和进化技能库，使技能与模型在训练中协同进化，避免过时技能积累。（论文赞 2）
在 Hugging Face 查看
排行第十二：视觉目标条件动作推理框架
ViGAR是一种分层框架，将操作分解为视觉子目标规划和子目标执行，通过预测视觉子目标并联合生成未来视觉轨迹和动作，实现多任务协调的长时程组合操作。（论文赞 3）
在 Hugging Face 查看
