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 3324，趋势分 2768。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 3324 · 趋势分 2768）
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 2041，趋势分 1765。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 2041 · 趋势分 1765）
在 Hugging Face 查看
排行第三：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 1274，趋势分 1234。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1274 · 趋势分 1234）
在 Hugging Face 查看
排行第四：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 1913，趋势分 1182。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1913 · 趋势分 1182）
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 828，趋势分 764。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 828 · 趋势分 764）
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 3717，趋势分 670。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3717 · 趋势分 670）
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 696，趋势分 653。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 696 · 趋势分 653）
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：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 552，趋势分 509。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 552 · 趋势分 509）
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 6996，趋势分 491。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6996 · 趋势分 491）
在 Hugging Face 查看
排行第十一：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 706，趋势分 459。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 706 · 趋势分 459）
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 5413，趋势分 355。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5413 · 趋势分 355）
在 Hugging Face 查看
论文
排行第一：单块多深度：具有深度编程专家的循环视觉Transformer
本工作提出reViT，通过单个Transformer块循环应用，在不使用中间特征蒸馏的情况下，以可比推理FLOPs匹配全深度视觉编码器的精度。它通过将每个循环深度的前馈网络表示为小型共享专家库的凸组合来恢复深度特定变换。连续归一化深度坐标编程此混合，定义通过FFN参数空间的可重采样轨迹。研究在监督ImageNet-1k训练和DINOv2教师蒸馏两种机制下评估该设计，发现权重空间合并是测试中最强的混合专家家族。（论文赞 2）
在 Hugging Face 查看
排行第二：Agentic BBO再审视：基准测试LLM智能体黑盒优化
黑盒优化出现在许多评估昂贵且有限的科学和工程问题中。近期大型语言模型智能体通过结合任务语义、计算、优化工具和反馈驱动决策，为BBO提供了新途径。但由于现有研究使用不同任务域和系统配置，结果难以比较。为此引入AgenticBBO-Bench，一个跨域基准测试，涵盖合成函数和混合领域，旨在隔离个体设计选择的影响。（论文赞 1）
在 Hugging Face 查看
排行第三：Memento 3：基于模型的递归自改进与反思规则书
Memento 3基于Memento系列，使冻结的LLM智能体能够通过外部记忆持续学习显式世界模型。智能体维护自然语言规则书作为持久语义记忆，记录关于环境动态的可修订假设，同时保持未知方面未指定。它将此规则书编译为可执行代码用于预测和规划，帮助智能体在有限观察支持多个世界模型的情况下推断世界运作方式并随新证据修订理解。（论文赞 5）
在 Hugging Face 查看
排行第四：你改变主意，模型没有：多轮对话意图解析
当大型语言模型处理多轮任务且用户提出但最终拒绝变更时，模型应继续执行如同未改变。研究发现一个惊人失败：仅提及被拒绝的变更就可能破坏任务执行，即使用户最终意图未变。为系统研究演化用户意图下语言模型行为，引入Intent-Eval基准测试，涵盖工具操作、代码、数据库和数学。模型易受被拒绝提议和过时要求影响，表现出提及即生效混淆。
在 Hugging Face 查看
排行第五：EDiS：图神经网络边不相交子图稀疏化框架
稀疏GNN训练减少计算，但决定保留哪些边可能成本高。重用单一稀疏图便宜但锁定固定拓扑，而跨周期变化可能需要重复采样。EDiS框架分离一次性结构提取和每周期图组合，将图分解为可缓存边不相交子图，然后在边缘预算约束下重新组合，无需重新提取结构。默认构建使用基于特征的分数和连续最大分数覆盖森林。（论文赞 1）
在 Hugging Face 查看
排行第六：SpaceFlow：局部可控3D生成方法
当前3D生成方法缺乏显式局部控制：几何遵循常由全局控制强度定义，外观无法局部指定。SpaceFlow提出无需训练的流程，从文本描述和几何图元集合进行局部可控3D生成。每个图元作为对象部分代理并分配局部控制级别，使用户能指定区域严格遵循输入形状或允许生成补全。在结构生成期间，在生成流过程中强制执行这些空间约束，生成结构被分割并匹配外观。（论文赞 2）
在 Hugging Face 查看
排行第七：REMORY：学习残差记忆进行上下文压缩
本文提出REMORY，一种神经记忆网络，通过生成软记忆标记来补充文本摘要，帮助冻结的大型语言模型在有限上下文窗口中近似完整历史的延续。记忆标记基于摘要生成并附加在摘要后，形成序列维度上的残差连接，提升信息保留能力。（论文赞 2）
在 Hugging Face 查看
排行第八：WorldGuide：目标导向的视频世界模型
本文提出WorldGuide，一种用于程序性任务执行的闭合环视频世界模型。模型在视觉世界空间中进行任务执行，根据初始图像和目标决定下一步动作，执行后判断任务完成，实现从生成到执行的闭环控制。（论文赞 4）
在 Hugging Face 查看
排行第九：超越时空先验：密集对应匹配新方法
本文提出FreeMatching，一种通用的密集对应匹配框架，结合生成和语义基础表示，利用多源监督数据（经典数据集、追踪视频、合成场景）实现身份保持的跨变换匹配，突破传统平滑运动和刚性几何假设的限制。（论文赞 24）
在 Hugging Face 查看
排行第十：U-Space：揭示语言模型不确定性来源
本文研究大语言模型中不确定性的产生时机和原因，旨在量化单个预测的可靠性。现有方法多依赖重复生成或额外训练组件，且难以揭示不确定性在推理过程中的演化路径，本文提出新方法以更深入理解模型可信度。（论文赞 16）
在 Hugging Face 查看
排行第十一：CARE：视觉语言动作推理的可信加速
本文提出CARE，用于视觉语言动作模型的可信加速方法。通过对比相同初始条件下的配对轨迹，检测加速导致的执行偏差，揭示平均指标无法捕捉的失败风险，提升推理过程的可靠性。（论文赞 1）
在 Hugging Face 查看
排行第十二：学习引导，引导观察：RLVR的几何结构揭示
本文研究强化学习与可验证奖励（RLVR）在大语言模型中的训练动态，利用可训练向量进行激活空间的低维有效流形识别，揭示RL增益的几何特性，包括有效流形容量和输入依赖表达性等关键属性。
在 Hugging Face 查看
