قام المستخدم helloadhavan بإنشاء مجموعة بيانات تسمى CC-FilteredCorpus مصممة لتصفية Common Crawl واستخراج المحتوى كـ Markdown نظيف. تهدف المشروع إلى الحفاظ على هيكل المستند المفيد، بما في ذلك العناوين والقوائم والروابط وكتل التعليمات البرمجية والجداول، بدلاً من تسطيح كل شيء إلى نص عادي.
يقدم المؤلف Calibra، وهو مجموعة أدوات مفتوحة المصدر مصممة لتحليل وضمان سلامة مجموعات بيانات تعلم الروبوتات. تهدف الأداة إلى منع إهدار الموارد الحاسوبية من خلال تحديد البيانات المشكوك فيها قبل بدء التدريب.
نشر باحث كتالوج أبحاث OpenGauntlet، وهو مورد عام يحتوي على معلومات حول 168 نظامًا لتحويل النص إلى كلام (TTS) و106 أنظمة لتحويل الكلام إلى نص (STT). تغطي الدلائل النماذج مفتوحة المصدر والمُستضافة، والتراخيص، ومتطلبات الأجهزة، واللغات، والقدرات، وحالة دورة الحياة، ومعلومات المصدر، وبيانات المعايير المنشورة حيثما كانت متاحة.
تم نشر مصفوفة امتثال يتم تحديثها شهريًا لجميع مجموعات البيانات الـ 4893 باللغات الهندية على Hub Hugging Face، وكشف ذلك عن أن 65.1% لا تعلن عن أي علامة ترخيص اعتبارًا من 1 أغسطس 2026.
يقدم Calibra v0.7.1 مرحلة جديدة لسلامة مجموعة البيانات (Dataset Integrity) تعمل قبل تحليل الجودة والتغطية لمساعدة المستخدمين على التحقق مما إذا كانت مجموعات بيانات الروبوت الخاصة بهم موثوقة.
Calibra هي مجموعة أدوات مفتوحة المصدر مصممة لمساعدة الباحثين على تدقيق مجموعات بيانات الروبوتات وتحديد مشكلات الجودة قبل تدريب السياسات. يتضمن الإصدار العام الأول مساحة تفاعلية بعنوان Robot Dataset Health Check لتدقيق مجموعات بيانات LeRobot ومعايرة لـ 30 مجموعة بيانات عامة من LeRobot مع درجات صحية.
أصدر محرك Huggy قاعدة بيانات Huggy على منصة Hugging Face، والتي تُوصف بأنها أكبر مجموعة بيانات مفتوحة لسباقات الخيل الفرنسية المتاحة. يوفر هذا الإصدار تغطية يومية كاملة تمتد على مدى 30 عاماً من عام 1996 إلى عام 2026 للاستخدام في تطبيقات التعلم الآلي.
أطلقت Hugging Face النسخة الثالثة من The Stack، والتي تُوصف بأنها أكبر مجموعة بيانات مفتوحة المصدر للأكواد حتى الآن. يوفر هذا الإصدار طريقتين مختلفتين للوصول لتلبية احتياجات المستخدمين المختلفين.
أصدر louidev مجموعة بيانات GlassBallAI على Hugging Face، والتي تلتقط سلوك التنبؤ المباشر من نماذج Google's Gemini قبل معرفة النتائج. تحتوي المجموعة على أكثر من 3,655 صفًا من البيانات تم جمعها بين 17 فبراير و19 مايو 2026، وتغطي Gemini 2.5 Flash، و2.5 Pro، و2.5 Flash Lite، و3.0 Flash Preview.
يشارك مستخدم تجربته بشأن التكلفة الحسابية لتوليد مجموعات بيانات التدريب من المحاكاة الفيزيائية، مثل تدفق الموائع والحقول الهيكلية. ويؤكد أن التحدي الرئيسي ليس في بنية النموذج، بل في صعوبة بناء مجموعة بيانات كبيرة ومتنوعة عندما يكون كل عينة مكلفة الإنتاج.