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 2960，趋势分 2456。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 2960 · 趋势分 2456）
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 1852，趋势分 1587。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1852 · 趋势分 1587）
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 1893，趋势分 1336。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1893 · 趋势分 1336）
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 1207，趋势分 1171。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1207 · 趋势分 1171）
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 815，趋势分 751。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 815 · 趋势分 751）
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 3681，趋势分 674。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3681 · 趋势分 674）
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 631，趋势分 590。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 631 · 趋势分 590）
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 693，趋势分 507。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 693 · 趋势分 507）
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 6953，趋势分 496。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6953 · 趋势分 496）
在 Hugging Face 查看
排行第十一：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 414，趋势分 377。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 414 · 趋势分 377）
在 Hugging Face 查看
排行第十二：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 5390，趋势分 374。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5390 · 趋势分 374）
在 Hugging Face 查看
论文
排行第一：循环原生注意力残差助力万次测试迭代扩展
本文指出循环Transformer需专用残差连接，以避免迭代次数增加导致性能下降。增加循环迭代会降低推理准确性：噪声状态更新会覆盖正确中间推导，甚至撤销已完成的解决方案，后续迭代难以从已退化的表示中恢复信息。作者引入InfiLoop，一种循环原生残差连接，可学习保留哪些过去的计算内容。（论文赞 1）
在 Hugging Face 查看
排行第二：长程智能体实际做了什么？基于证据的监督方案
随着智能体承担长程任务，用户从单独决策转向监督自主执行，但智能体活动量大且支持证据分散，难以确定哪些决策需用户验证。作者研究能识别关键决策并定位证据的监控器，提出AgentMonBench基准（涵盖需求与行为对齐、关键决策感知两大维度），以及基于证据的行为方法来支持验证判断。（论文赞 1）
在 Hugging Face 查看
排行第三：推理引导视觉编辑：首个综合基准RISEBench++
大型多模态模型（LMMs）在视觉理解与生成上进步显著，但视觉编辑仍面临挑战，如难遵循复杂指令、保持外观一致、支持灵活输入格式。作者引入首个评估推理引导视觉编辑的基准RISEBench，并扩展为更全面的RISEBench++，其分类体系涵盖时态、因果、空间、逻辑、反事实推理五大维度及混合推理。（论文赞 1）
在 Hugging Face 查看
排行第四：简化机器人上下文学习：操纵任务的民主化方案
机器人上下文学习（ICL）虽前景广阔，但问题定义不明确——视觉示范同时传达动作轨迹、物体语义等多种信息，机器人需遵循的内容不清。作者首先明确机器人ICL的学习目标，解决提示歧义，进而开发极简且可复现的ICL框架SimpleICL。（论文赞 2）
在 Hugging Face 查看
排行第五：VibeEdit：用画布指令进行图像编辑
文本引导图像编辑中，描述 desired 变化容易，但识别目标物体或区域常很麻烦（尤其物体相似时）。作者引入VibeEdit，用户可直接在图像上放置空间标记和可选短笔记，形成指定编辑位置和内容的“画布指令”，支持物体添加、移除、替换等操作，还构建了155万带物体掩码和结构化描述的编辑对。（论文赞 2）
在 Hugging Face 查看
排行第六：从轨迹到智能体世界：交互式环境模拟的语言世界模型
真实环境副本对训练和评估LLM智能体很有价值，但原系统可能无法访问或难以重现。作者探索智能体语言世界建模：用世界模型代理作为任务代理的环境，支持忠实且有状态的模拟。提出Trace2Env框架（无需学习），利用历史交互轨迹重建含环境 schema、接地证据和诱导行为的可重用环境世界书。（论文赞 98）
在 Hugging Face 查看
排行第七：从提示到构图：海报生成的空间画布接口
本文提出一种空间画布接口，允许用户通过语义、身份、文本和像素四种绑定方式直接在空间中构图，结合文本规范控制元素和整体外观。基于此接口，开发了Compo模型，该模型基于预训练图像编辑模型，能够理解空间画布输入和文本规范，支持直接推理生成海报。（论文赞 2）
在 Hugging Face 查看
排行第八：SuperNav：通用场景下的代理导航系统
本文提出SuperNav，一种通用导航系统，让多模态大语言模型专注于理解任务和场景并做出决策，而将运动执行委托给导航工具。该系统保留了大语言模型的通用能力，同时实现对任意任务和场景的导航，避免了依赖训练数据覆盖范围的局限性。（论文赞 5）
在 Hugging Face 查看
排行第九：SanSi：循环类型决策模型用于系统1.5思维
本文提出SanSi模型，将预训练循环语言模型转化为类型决策模型，通过循环迭代更新隐藏状态，实现无需生成文本的快速决策。每个循环后读取选项概率，模型在不生成token的情况下进行状态修正，称为系统1.5思维。（论文赞 2）
在 Hugging Face 查看
排行第十：文本中的混沌：混合模态检索器的模态偏好
本文系统研究不同架构的检索器在混合模态语料上的表现，发现其性能对模态组成高度敏感。当图像文档被语义对应的文本替代时，检索性能呈现V形曲线，单模态表现良好，但多模态共存时性能显著下降，尤其无关文本影响更大。（论文赞 3）
在 Hugging Face 查看
排行第十一：SparseDecoding：面向解码的高效LLM剪枝
本文提出SparseDecoding方法，针对大语言模型解码阶段内存受限导致的延迟问题，通过训练无关的Hessian剪枝减少解码时读取的非零参数。该方法关注自然序列与自生成序列间的分布差异，提升剪枝的准确性与效率。（论文赞 4）
在 Hugging Face 查看
排行第十二：以检索为中心的深度学习与增长神经网络
本文探讨一种通用深度学习层，训练时为每个数据点存储键值表示，推理时通过注意力机制检索并重组，形成增长神经网络。研究发现，将线性注意力替换为更强大的注意力函数面临挑战，需进一步探索其可行性。（论文赞 1）
在 Hugging Face 查看
