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 2731，趋势分 2269。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2731 · 趋势分 2269）
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 1867，趋势分 1660。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1867 · 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 1708，趋势分 1457。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1708 · 趋势分 1457）
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 1129，趋势分 1098。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1129 · 趋势分 1098）
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 803，趋势分 741。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 803 · 趋势分 741）
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 3652，趋势分 683。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3652 · 趋势分 683）
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 682，趋势分 610。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 682 · 趋势分 610）
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 639，趋势分 587。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 639 · 趋势分 587）
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 599，趋势分 559。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 599 · 趋势分 559）
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 6888，趋势分 481。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6888 · 趋势分 481）
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 5376，趋势分 399。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5376 · 趋势分 399）
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 17261，趋势分 340。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17261 · 趋势分 340）
在 Hugging Face 查看
论文
排行第一：谱系感知内存治理：隐私保护的列级访问控制框架
企业AI代理共享内存时面临敏感数据泄露和KPI计算逻辑冲突的风险。现有系统仅基于内容、所有权和角色进行检索门控，无法防止隐藏在缓存结果中的禁止列信息泄露。本文提出分析记忆单元（AMU），为每个缓存结果附加完整的推导图谱，并通过检索策略确保请求者仅能访问其授权的列。（论文赞 1）
在 Hugging Face 查看
排行第二：多教师在线蒸馏中的教师相对偏移
多教师在线蒸馏（MOPD）在共同领域和路由领域中应用，通常直接转移教师的最终策略，混合了训练后变化和继承偏好。本文提出Δ-MOPD，通过转移教师相对于基线的logit偏移，并在固定教师选择下比较其与终点监督在两种设置中的表现。
在 Hugging Face 查看
排行第三：PAMI：基于部件锚定的运动交互生成
文本条件下的全身人-物交互生成需要同步合成人体运动和物体轨迹。现有方法将人和物视为独立轨迹，隐式学习动态关系，常导致物体漂移和接触丢失。本文提出PAMI框架，通过身体部件锚点投票确定物体运动，实现精确的时序协调。（论文赞 1）
在 Hugging Face 查看
排行第四：系统切换：快速决策模型何时停止思考
双过程代理结合快速策略和慢速推理模型。本文研究一种快速学习的执行器，在决策时仅在门控开启时将控制权交给推理视觉语言模型，同时游戏持续运行。通过闭合回路Doom和新型“系统一”类型决策模型，评估不同参数规模的零样本决策模型在错误中的行为。
在 Hugging Face 查看
排行第五：CoDance：从视频学习人-人形交互
人-人形协作涉及运动与连续物理接触的耦合。本文提出CoDance框架，从视频中学习反应性和顺应性的人-人形交互。以双人舞蹈为挑战实例，人形需协调脚步并保持双手接触。给定人类舞者的视频，CoDance将其运动重定向为机器人参考和移动伙伴，并引入多链接顺应性增强。（论文赞 1）
在 Hugging Face 查看
排行第六：标量伴随匹配的Q学习
流策略能捕捉丰富多样的动作分布，通过离策略强化学习微调以超越演示行为受到关注。然而，基于学习的价值函数微调流策略并不简单，因为策略在多个流步骤中生成动作。伴随匹配提供了一种更新流模型的合理方法，通过将最终动作的价值信息反向传播到每个流步骤，但需要在每一步进行向量-雅可比乘积，计算成本随流步骤和策略规模增加。（论文赞 14）
在 Hugging Face 查看
排行第七：自学习X射线衍射科学代理
本文介绍了一种名为 Gan Jiang 的自学习科学代理，用于粉末X射线衍射分析。该代理基于我们开发的衍射分析生态系统 XMatcher、XQueryer、XDecomposer 和 WPEM，能够实现相位识别、多相分解和物理约束的全谱建模。Gan Jiang 通过诊断失败、修订技能指令和代码，并在重用前验证修改，将分析经验转化为可执行技能，无需重新训练语言模型或更改底层物理模型。（论文赞 8）
在 Hugging Face 查看
排行第八：TIDES：选择性状态空间模型中的隐式时间感知
本文提出 TIDES，一种新型选择性状态空间模型，旨在结合选择性和连续架构的优势。传统选择性模型通过学习时间步长来提升每个标记的表达能力，但导致时间步长与实际观测间隔不一致，难以处理不规则时间序列。TIDES 通过将输入依赖从步长转移到对角线项，实现选择性与连续性的统一，从而在保持时间感知的同时提升表达能力。（论文赞 1）
在 Hugging Face 查看
排行第九：NAMVIS：下一代自回归多视角图像合成
本文提出 NAMVIS，一种无需扩散的多视角图像合成框架，将多视角生成问题重新定义为几何条件下的逐尺度自回归。与传统扩散方法通过迭代去噪生成图像不同，NAMVIS 通过少量粗到细的尺度步骤预测离散视觉标记，并并行采样每个尺度和目标视角的所有标记。为锚定生成过程，提出多尺度投影姿态编码，以显式结合相机几何信息。（论文赞 18）
在 Hugging Face 查看
排行第十：FastOPD：轻量级VLA部署的在线策略蒸馏
本文提出 FastOPD，一种用于视觉-语言-动作（VLA）模型轻量化部署的高效在线策略蒸馏框架。大型VLA模型虽性能优越，但计算成本高，难以实际部署。FastOPD 通过单状态教师监督的流映射和自一致性目标，将大模型知识高效迁移至轻量级模型，避免了设计更小架构或减少迭代去噪步骤的局限，实现大模型的实用化部署。（论文赞 2）
在 Hugging Face 查看
排行第十一：SheetSage2：带合成监督的连贯乐谱转录
本文提出 SheetSage2，一种统一的音乐转录框架，解决标注数据稀缺和局部预测不一致的问题。该框架结合合成数据、任务特定结构解码和自回归蒸馏，利用自动生成的 MIDI 音频提供可扩展的监督信号。任务特定结构解码器整合节奏、和声、旋律等音乐线索及其时序依赖，生成连贯的乐谱，提升音乐理解任务的性能。（论文赞 6）
在 Hugging Face 查看
排行第十二：UniSkill：面向演化策略的演员对齐技能提案
本文提出 UniSkill，一种通过共享策略与环境交互并提出技能库修改（添加、更新或不修改）的框架。大型语言模型代理可通过保留从先前交互中提炼的可复用技能来提升任务表现。UniSkill 通过共享策略生成轨迹，提出技能库编辑，避免了直接测试每个提议技能所需的高成本额外演员回放，同时解决技能收益与演员改进混淆的问题。（论文赞 5）
在 Hugging Face 查看
