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 3139，趋势分 2606。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 3139 · 趋势分 2606）
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 1962，趋势分 1690。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1962 · 趋势分 1690）
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 1900，趋势分 1270。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1900 · 趋势分 1270）
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 1240，趋势分 1203。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1240 · 趋势分 1203）
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 819，趋势分 755。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 819 · 趋势分 755）
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 3699，趋势分 671。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3699 · 趋势分 671）
在 Hugging Face 查看
排行第七：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 666，趋势分 625。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 666 · 趋势分 625）
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 670，趋势分 618。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 670 · 趋势分 618）
在 Hugging Face 查看
排行第九：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 6972，趋势分 494。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6972 · 趋势分 494）
在 Hugging Face 查看
排行第十：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 699，趋势分 482。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 699 · 趋势分 482）
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 514，趋势分 473。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 514 · 趋势分 473）
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 5402，趋势分 372。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5402 · 趋势分 372）
在 Hugging Face 查看
论文
排行第一：学习转向，转向观察：通过可训练向量揭示大语言模型中RLVR的几何特性
本文研究带可验证奖励的强化学习（RLVR），利用向量转向技术识别与强化学习增益相关的低维有效流形。研究发现，有效流形的容量可以很小但并非无限压缩，在极低容量下，干预维度和输入依赖的表达能力成为关键限制因素。该方法有助于分析大语言模型强化学习训练动态。
在 Hugging Face 查看
排行第二：SatNav：基于卫星图像的长航时无人机视觉语言导航可扩展基准
本文提出SatNav基准，用于评估无人机在城市环境中执行长航时视觉语言导航任务的能力。该基准利用高分辨率卫星图像构建，通过自动化流程生成11.8万条导航片段，以卫星裁剪图像模拟无人机俯视视角，解决了传统基准依赖昂贵3D重建模型导致地理多样性和规模受限的问题。（论文赞 1）
在 Hugging Face 查看
排行第三：MARGIN：多智能体基础模型协调的运行时置信度校准
本文提出MARGIN方法，用于在多智能体协作场景下校准异构基础模型的自报告置信度。该方法通过跟踪近期准确率与声明置信度的比例关系，在运行时动态学习模型特定的置信度校正值，无需重新训练模型或使用预留校准集，最终通过校正后的置信度加权整合各模型的答案。
在 Hugging Face 查看
排行第四：SPW-Nav：面向语言导航的流式全景世界模型
SPW-Nav是一种流式全景世界模型，能够根据运动指令从单张全景图实时生成一分钟的2K 360度视频。模型将指令解析为相机运动，通过球面旋转解耦技术精确处理球面旋转，并采用姿态对齐条件保持运动一致性，适用于交互式3D场景探索、虚拟现实体验和具身智能体训练等应用。
在 Hugging Face 查看
排行第五：MiMo-V2.6：面向自我改进的强化学习扩展
MiMo-V2.6系列模型通过扩展强化学习计算规模推进基础模型的自我改进能力。在强化学习前进行多模态中期训练以提供探索空间，基于混合SWA架构构建基础设施，并从三个维度扩展计算：使用异步训练实现每步处理1568个样本和27-37亿标记，支持100万上下文长度，并提升任务多样性和复杂性。（论文赞 35）
在 Hugging Face 查看
排行第六：大语言模型基础
本书系统阐述大语言模型的基础概念，涵盖预训练、生成模型、提示工程、对齐、推理和推理六大核心章节。面向高校学生、自然语言处理领域从业者及相关专业人员，重点解析基础理论而非前沿技术，可作为大语言模型学习的入门参考书。（论文赞 17）
在 Hugging Face 查看
排行第七：OuroWorld：将3D世界变为循环动态场景
OuroWorld是一种无需掩码的框架，可将静态3D高斯点云场景转化为3D动态影像。通过视觉语言模型推断合理运动，并利用视频模型生成参考视频，再将其扩展为多视角视频。该方法通过傅里叶级数变形场保证循环性，并引入基于参考视图的漂移场处理跨视角不一致性。（论文赞 22）
在 Hugging Face 查看
排行第八：在线策略蒸馏传授技能而非知识
在线策略蒸馏（OPD）能增强语言模型的推理能力，但学生是否获得新知识或组合技能尚不明确。研究通过合成框架分离这两种能力，控制教师的额外事实和组合技能。实验表明，反KL OPD能可靠转移组合技能，但知识转移极少。改变蒸馏方式可恢复知识传递。
在 Hugging Face 查看
排行第九：BrickBench：评估代理积木设计
BrickBench是一个用于评估代理文本条件积木设计的基准。给定提示，代理需生成满足语义和设计要求且可物理构建的装配。需要从离散部件库中选择部件，并联合推理局部和全局约束。该基准在三种不同规模和部件可用性设置下评估设计的有效性、对齐性和设计质量。
在 Hugging Face 查看
排行第十：OmniCapBench：细粒度音视频描述评估
OmniCapBench是一个深度结构化的音视频描述评估框架，用于诊断多模态大模型的能力边界。现有基准在整体评分与局部定位之间存在权衡，而该框架将预测目标从自由文本转为原子可验证的集合，提供更全面的评估。该框架能揭示模型在音视频理解中的能力限制。（论文赞 8）
在 Hugging Face 查看
排行第十一：LLM代理在知识冲突下的谦逊评估
当检索证据与代理先验信念冲突时，代理是否会修正答案、承认不确定性或坚持错误结论？现有评估主要关注任务成功，缺乏对代理处理冲突的分析。研究提出评估代理的元认知谦逊，通过识别、解决和升级三个行为维度，操作化评估代理在知识冲突下的表现。（论文赞 2）
在 Hugging Face 查看
排行第十二：ReSPO：缓解离策略学习梯度饥饿
ReSPO是一种用于离策略学习的重塑序列策略优化方法，旨在解决梯度饥饿问题。通过用平滑的双分支序列级核替代裁剪，该方法基于α散度变分目标和指数方差控制，减少低重要性权重尾部的正响应抑制和高权重尾部的负响应主导，提升策略优化稳定性。（论文赞 7）
在 Hugging Face 查看
