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 2600，趋势分 2168。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2600 · 趋势分 2168）
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 1860，趋势分 1660。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1860 · 趋势分 1660）
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 1633，趋势分 1390。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1633 · 趋势分 1390）
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 1108，趋势分 1077。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1108 · 趋势分 1077）
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 797，趋势分 735。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 797 · 趋势分 735）
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 3642，趋势分 690。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3642 · 趋势分 690）
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 679，趋势分 611。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 679 · 趋势分 611）
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 638，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 638 · 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 582，趋势分 542。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 582 · 趋势分 542）
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 6868，趋势分 482。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6868 · 趋势分 482）
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 5372，趋势分 403。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5372 · 趋势分 403）
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 17251，趋势分 343。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17251 · 趋势分 343）
在 Hugging Face 查看
论文
排行第一：标量伴随匹配的Q学习
本文提出一种名为标量伴随匹配的方法，用于优化流策略的离线强化学习。流策略通过多步生成动作分布，但传统伴随匹配需计算每一步的策略向量-雅可比积，计算成本随步数和策略规模增长。研究发现预训练流策略的批量平均速度雅可比矩阵具有集中特性，该方法利用此特性简化计算，实现高效策略更新。（论文赞 6）
在 Hugging Face 查看
排行第二：X射线衍射自学习科学智能体
本文介绍名为Gan Jiang的自学习科学智能体，专用于粉末X射线衍射分析。该智能体基于衍射分析生态系统（XMatcher、XQueryer、XDecomposer和WPEM），涵盖物相识别、多相分解和物理约束全谱建模。通过诊断失败案例、修订技能指令与代码，并在重用前验证修订，智能体将分析经验转化为可执行技能，无需重新训练语言模型或修改底层物理模型。（论文赞 7）
在 Hugging Face 查看
排行第三：TIDES：选择性状态空间模型的隐式时间感知
本文提出TIDES模型，解决选择性状态空间模型（如Mamba）在处理不规则时间序列时的局限性。传统选择性模型通过学习输入相关的时间离散化步长增强表达能力，但失去物理时间间隔对应性；连续时间模型（如S5）保持时间对齐但动态线性不变。TIDES通过将输入依赖性从步长转移到状态矩阵对角线，兼顾选择性与连续架构优势。
在 Hugging Face 查看
排行第四：NAMVIS：下一代自回归多视图图像合成
本文提出NAMVIS框架，将稀疏视图的新视角合成重构为几何条件化的下一代自回归任务。不同于基于扩散模型的迭代去噪方法，NAMVIS通过少量粗到细的尺度步骤预测离散视觉令牌，并在每个尺度内及跨目标视图并行采样令牌。通过多尺度投影姿态编码将生成过程锚定于显式相机几何，实现高效多视图生成。（论文赞 16）
在 Hugging Face 查看
排行第五：FastOPD：轻量级VLA部署的在线策略蒸馏
本文提出FastOPD框架，解决视觉-语言-动作基础模型因计算成本高而难以实际部署的问题。现有方法通过设计小规模架构或减少流策略迭代步数来缓解，而FastOPD采用在线策略蒸馏技术，适配流映射进行单状态教师监督，并结合自一致性目标构建轻量级模型，实现大规模VLA模型的高效部署。（论文赞 1）
在 Hugging Face 查看
排行第六：SheetSage2：合成监督的连贯乐谱转录
本文提出SheetSage2统一音乐转录框架，解决标注数据稀缺和局部预测不一致问题。通过将自动标注的MIDI渲染为音频，提供跨音乐理解任务的可扩展监督；任务特定结构化解码器整合互补音乐线索及其时间依赖关系，生成音乐连贯的乐谱；自回归蒸馏技术进一步优化序列一致性，实现端到端转录。（论文赞 3）
在 Hugging Face 查看
排行第七：UniSkill: 学习与智能体对齐的技能提议
该论文提出UniSkill，通过共享策略让智能体在环境中交互并提出技能库的修改建议（添加、更新或不修改），以实现策略与技能库的协同进化，解决技能评估与智能体改进混淆的问题。（论文赞 4）
在 Hugging Face 查看
排行第八：CADFather: 协同工具的自主CAD重建
CADFather是一个自主代理系统，通过协调视觉语言助手和多种工具，从3D网格中恢复参数化CAD程序，利用不同工具互补性实现高效、可编辑的CAD模型重建。（论文赞 2）
在 Hugging Face 查看
排行第九：Salt++: 上下文对齐的流式多模态生成
Salt++是一种两阶段后训练框架，通过因果自流和上下文对齐的自回归分布匹配，解决流式多模态生成中的上下文不匹配问题，提升音频-视频生成的因果建模能力。（论文赞 1）
在 Hugging Face 查看
排行第十：任务充分收缩：机器信息接口的源选择
该论文研究任务如何在下游编码器选择前减少信息源，提出任务充分收缩概念，确保简化后的源能完整保留下游问题的解集，适用于固定动作和损失的机器系统。
在 Hugging Face 查看
排行第十一：StepCAD: 基于LLM策略的CAD代码生成
StepCAD结合状态条件的CAD策略和几何引导搜索，从3D网格生成可执行CAD程序，通过分步预测构造动作并利用IoU引导的树搜索优化重建过程。（论文赞 2）
在 Hugging Face 查看
排行第十二：EngramEdit: 基于条件记忆的LLM知识更新
EngramEdit通过条件记忆架构实现大型语言模型中事实知识的解耦更新，避免更新共享嵌入时影响其他事实的预测，提升知识更新的精确性。（论文赞 2）
在 Hugging Face 查看
