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 3417，趋势分 2848。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 3417 · 趋势分 2848）
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 2075，趋势分 1798。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 2075 · 趋势分 1798）
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 1290，趋势分 1250。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1290 · 趋势分 1250）
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 1916，趋势分 1108。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1916 · 趋势分 1108）
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 830，趋势分 766。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 830 · 趋势分 766）
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 3727，趋势分 662。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3727 · 趋势分 662）
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 704，趋势分 661。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 704 · 趋势分 661）
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 555，趋势分 512。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 555 · 趋势分 512）
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 7010，趋势分 485。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7010 · 趋势分 485）
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 707，趋势分 435。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 707 · 趋势分 435）
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 5418，趋势分 349。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5418 · 趋势分 349）
在 Hugging Face 查看
论文
排行第一：增量开放式深度研究的结构化框架
本文提出增量开放式深度研究（Incremental-OEDR）方法，旨在解决现有系统每次从头生成报告的低效问题。该方法将研究报告视为不断演进的研究状态，通过保留有效知识、修订过时或不完整内容以及整合新信息来逐步更新报告。为支持此方法，作者设计了结构化框架，将报告表示为大纲、章节和支撑证据的结构化集合，并提供结构化检索功能，以实现持续维护。（论文赞 1）
在 Hugging Face 查看
排行第二：推理-语言对齐在单语检索增强生成中的作用
本文研究在检索增强生成（RAG）任务中，推理语言与提示语言对齐是否影响模型性能。作者构建了基于德语桌面角色扮演游戏《黑暗之眼》的单语问答测试平台，要求模型阅读并整合大量德语检索证据。实验探讨当模型必须在目标语言中处理长文本时，强制使用非英语推理是否会降低准确性，以验证在短提示设置之外的泛化情况。（论文赞 1）
在 Hugging Face 查看
排行第三：单块多深度：具有深度编程专家的循环ViT
本研究展示单个Transformer块通过循环应用，可在相近推理FLOPs下匹配全深度视觉编码器的精度，无需中间特征蒸馏。reViT方法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，由连续归一化深度坐标编程混合参数，定义FFN参数空间中的可重采样轨迹。该方法在ImageNet-1k监督训练和DINOv2蒸馏两种机制下评估，验证权重空间合并为最优混合专家家族。（论文赞 2）
在 Hugging Face 查看
排行第四：代理式黑盒优化基准测试研究
本文针对黑盒优化（BBO）问题，评估大型语言模型（LLM）代理整合任务语义、计算、优化工具和反馈驱动决策的能力。由于现有研究使用不同任务域和系统配置，结果难以比较。作者提出AgenticBBO-Bench跨领域基准，涵盖合成函数、超参数调优等场景，旨在系统量化代理设计选择的影响，促进LLM代理在科学工程优化中的应用。（论文赞 2）
在 Hugging Face 查看
排行第五：Memento 3：基于模型的递归自我改进规则书
Memento 3使冻结的LLM代理能通过外部记忆持续学习显式世界模型。代理将自然语言规则书作为持久语义记忆，记录可修订的环境动态假设，并将规则书编译为可执行代码用于预测和规划。该方法允许代理在有限观察下推断世界运作方式，并在新证据到达时修正理解，解决多世界模型解释的歧义问题。（论文赞 18）
在 Hugging Face 查看
排行第六：多轮对话中意图变化的模型行为分析
本文研究多轮任务中，当用户提出变更但最终拒绝时，语言模型应保持原任务执行，但实际会出现意外失败：仅提及被拒绝的变更就会扰乱任务。作者构建Intent-Eval基准，涵盖工具操作、代码、数据库和数学任务，系统评估模型在用户意图演化下的行为。发现模型易受被拒绝提议和过时需求影响，存在“提及即生效”混淆现象。
在 Hugging Face 查看
排行第七：EDiS：图神经网络的边不相交子图稀疏框架
EDiS框架将图结构提取与每轮图组合分离，通过一次性分解图生成可缓存的边不相交子图，再在每轮中按预算约束重新组合，避免重复结构提取，提升稀疏GNN训练效率。（论文赞 1）
在 Hugging Face 查看
排行第八：SpaceFlow：局部可控的3D生成方法
SpaceFlow提出一种无需训练的3D生成方法，通过几何原语实现局部控制，用户可指定区域是否严格遵循输入形状或允许生成补全，支持在生成过程中施加空间约束。（论文赞 4）
在 Hugging Face 查看
排行第九：REMORY：用于上下文压缩的残差记忆学习
REMORY是一种神经记忆网络，通过生成有限的软记忆令牌补充文本摘要，帮助冻结的LLM在有限上下文窗口中近似完整历史的推理结果，提升长时决策支持能力。（论文赞 2）
在 Hugging Face 查看
排行第十：WorldGuide：目标导向的视频世界模型
WorldGuide将程序性任务执行建模为视觉世界空间中的闭环任务，仅需初始图像和目标，即可在生成状态中决定动作、执行并识别任务完成，实现闭环控制。（论文赞 4）
在 Hugging Face 查看
排行第十一：超越时空先验：密集对应匹配的通用方法
FreeMatching框架结合生成与语义基础表示，利用多源监督数据，建立在非刚性变换下保持视觉身份的密集对应关系，提升图像编辑和参考引导生成中的匹配能力。（论文赞 28）
在 Hugging Face 查看
排行第十二：U-Space：语言模型不确定性来源分析
U-Space研究大语言模型中不确定性的产生时机与原因，通过分析推理过程中的不确定性演化，揭示模型在生成中何时及为何出现不可靠结论，提升预测可靠性评估。（论文赞 21）
在 Hugging Face 查看
