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 2824，趋势分 2340。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2824 · 趋势分 2340）
在 Hugging Face 查看
排行第二：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 1810，趋势分 1550。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1810 · 趋势分 1550）
在 Hugging Face 查看
排行第三：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 1882，趋势分 1431。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1882 · 趋势分 1431）
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 1179，趋势分 1143。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1179 · 趋势分 1143）
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 812，趋势分 750。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 812 · 趋势分 750）
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 3671，趋势分 679。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3671 · 趋势分 679）
在 Hugging Face 查看
排行第七：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 669，趋势分 617。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 669 · 趋势分 617）
在 Hugging Face 查看
排行第八：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 618，趋势分 577。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 618 · 趋势分 577）
在 Hugging Face 查看
排行第九：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 687，趋势分 544。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 687 · 趋势分 544）
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 6926，趋势分 494。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6926 · 趋势分 494）
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 5383，趋势分 376。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5383 · 趋势分 376）
在 Hugging Face 查看
排行第十二：GLM5.3-Flash-E224-DGX-Spark（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 376，趋势分 343。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 376 · 趋势分 343）
在 Hugging Face 查看
论文
排行第一：Agent Plasticity：通过经验衡量自我改进
研究AI代理在环境中通过经验诊断失败并自我改进的能力，提出评估自我改进的三个问题：未来性能是否提升并泛化；新能力获取效率如何；改进过程在何处失效。通过受控环境，代理将过去经验转化为可复用的成果，由未来实例继承，评估其在检查点的表现。（论文赞 1）
在 Hugging Face 查看
排行第二：RoboJEPA：机器人潜在世界模型的扩展
提出基于JEPA架构的RoboJEPA世界模型，基于大规模机器人数据集训练。研究其想象误差与计算资源的关系，发现遵循二阶幂律，可预测超出训练规模的模型质量。进一步展示下游任务性能随规模提升的趋势。（论文赞 1）
在 Hugging Face 查看
排行第三：Inherit-MAS：多智能体系统的测试时进化
针对多智能体系统中工作流设计困难的问题，提出Inherit-MAS，受生物进化启发，显式引入工作流和执行层面的继承机制。元模型合成具有角色、通信输入和工具权限的工作者代理工作流，独立评分器评估其有效性，实现测试时进化。（论文赞 4）
在 Hugging Face 查看
排行第四：超越参数单体：语言模型的重构记忆
提出FEM-ASM架构，将语言模型系统分为上下文计算、持久存储和精确执行，独立构建文档状态和确定性可执行技能，通过显式残差算子协调共享状态。通过受控实验评估该组织结构，不声称物理有限元形式的语言建模。（论文赞 1）
在 Hugging Face 查看
排行第五：DSReg：无需重建恢复个体世界隐变量
研究从非线性ICA到字典学习等方法，通过重建、辅助监督或分布不对称性锚定世界隐变量。提出无需重建、解码器或标签，仅通过结构多样性条件，可严格恢复个体世界隐变量。（论文赞 2）
在 Hugging Face 查看
排行第六：如何衡量角落案例的极端程度
在自动驾驶仿真中生成具有适当极端性的角落案例场景至关重要。现有生成器可控制行为、极端性或可行性，但难以控制场景相对于交通上下文的极端程度。本文将场景极端性表示为给定历史条件下的未来风险百分位，支持对生成场景极端性的校准评估。（论文赞 1）
在 Hugging Face 查看
排行第七：MIMESIS：学习用户模拟器作为交互代理的训练环境
训练和评估交互式语言代理通常需要丰富的用户交互，但收集人类反馈成本高且难以扩展。模拟用户提供了可扩展的替代方案，但必须既像真实用户行为又能为代理提供有用的学习体验。大多数代理训练框架依赖现成的助手大模型，其帮助性可能导致过度合作、明确和行为同质化。MIMESIS是一种专门构建的用户模拟器，基于人类对话训练，并包含13种从真实用户交互中提取的行为模式。（论文赞 10）
在 Hugging Face 查看
排行第八：Iris-3B：超越潜在空间的像素空间扩散训练
像素空间扩散模型避免了潜在模型中的有损VAE，这在需要精细细节的下游任务中可能具有优势。我们测试了两种构建像素空间骨干的方法：预训练Iris-3B，一个3B参数的像素空间文本到图像变换器，通过256到512再到1024的课程训练；以及将预训练的潜在模型FLUX.2 Klein base 4B转换到像素空间。我们对两类模型进行单目深度估计和图像恢复/超分辨率的微调。（论文赞 7）
在 Hugging Face 查看
排行第九：谱系感知记忆治理：隐私保护的列级访问控制框架
共享内存存储的企业AI代理面临两个未解决的风险：敏感数据可能通过合法计算结果泄露，且部门可能通过冲突逻辑无声计算相同名称的关键绩效指标。现有代理内存系统（如MemGPT、Zep、A-MEM）基于内容、所有权和角色进行检索门控，而非推导，遗漏了嵌入禁止列的缓存洞察。我们引入分析记忆单元（AMU），为每个缓存结果附加完整的推导（谱系）图，并通过检索策略确保请求者仅在被授权访问所有涉及列时才返回结果。（论文赞 1）
在 Hugging Face 查看
排行第十：多教师在线策略蒸馏：教师相对偏移的组合
多教师在线策略蒸馏（MOPD）用于两种场景。在通用领域组合中，多个教师对来自一个提示域的学生轨迹进行评分，其信号形成单一目标；在路由领域蒸馏中，不同领域的提示分配给相应专家。通常两种设置都转移每个教师的终点策略，混合了后训练变化和从教师基础继承的偏好。我们引入Δ-MOPD，转移每个教师的教师减基础logit偏移，并在学生冻结初始化处重新锚定，与终点监督在两种设置中进行比较。（论文赞 7）
在 Hugging Face 查看
排行第十一：PAMI：基于部件锚定的运动交互生成框架
文本条件下的全身人-物交互生成需要合成与输入文本匹配且时间上精确协调的人体运动和物体轨迹。大多数方法将人和物表示为独立轨迹，并预测全局人-物耦合。然而，隐式学习这种复杂且动态变化的关系往往导致物体漂移、接触缺失和穿透。我们引入PAMI，一种用于交互生成的部件锚定运动框架。受经典霍夫变换启发，其关键思想是让身体部件锚点投票确定物体运动：我们将物体运动表示为相对于m个身体部件锚点的相对运动。（论文赞 1）
在 Hugging Face 查看
排行第十二：系统切换：何时快速决策模型应停止思考？
双过程代理将快速策略与慢速推理模型配对。在实时设置中，慢速模型通常持续运行；在回合制代理和机器人规划器中，它在不确定性或检测到故障时被调用。我们研究一个快速学习的执行器，每次决策都采取行动，并仅在门打开时将控制权交给推理视觉语言模型，而游戏继续运行。我们使用闭环Doom和新的开放“系统一”类型决策模型，通过通用的llama.cpp接口提供。在900个保留问题上，（i）零样本决策模型从0.15B到9B参数在错误中收集物品的频率比随机选择高1.6-1.8倍。（论文赞 1）
在 Hugging Face 查看
