Un investigador ha publicado el catálogo de investigación OpenGauntlet, un recurso público que contiene información sobre 168 sistemas de texto a voz (TTS) y 106 sistemas de voz a texto (STT). Los directorios cubren modelos de código abierto y alojados, licencias, requisitos de hardware, idiomas, capacidades, estado del ciclo de vida, información de origen y datos de benchmark publicados cuando están disponibles.
Se ha publicado una matriz de cumplimiento actualizada mensualmente para los 4.893 conjuntos de datos en idiomas indios en el Hub de Hugging Face, revelando que el 65,1% no declara ninguna etiqueta de licencia al 1 de agosto de 2026.
Calibra v0.7.1 introduce una nueva etapa de Integridad del Conjunto de Datos que se ejecuta antes del análisis de calidad y cobertura para ayudar a los usuarios a verificar si sus conjuntos de datos de robótica son confiables.
Calibra es un kit de herramientas de código abierto diseñado para ayudar a los investigadores a auditar conjuntos de datos de robots e identificar problemas de calidad antes de entrenar políticas. El primer lanzamiento público incluye un Espacio interactivo Robot Dataset Health Check para auditar conjuntos de datos LeRobot y una evaluación comparativa de 30 conjuntos de datos públicos de LeRobot con puntuaciones de salud.
Huggy Engine ha publicado Huggy Database en Hugging Face, descrito como el conjunto de datos abierto más grande de carreras de caballos en francés disponible. El lanzamiento proporciona 30 años de cobertura diaria completa desde 1996 hasta 2026 para su uso en aplicaciones de aprendizaje automático.
Hugging Face ha lanzado The Stack v3, descrito como el conjunto de datos de código abierto más grande hasta la fecha. El lanzamiento proporciona dos métodos de acceso distintos para adaptarse a las necesidades de diferentes usuarios.
louidev ha publicado el conjunto de datos GlassBallAI en Hugging Face, capturando el comportamiento de pronóstico en vivo de los modelos Gemini de Google antes de que se conozcan los resultados. El conjunto de datos contiene más de 3.655 filas de datos recopilados entre el 17 de febrero y el 19 de mayo de 2026, cubriendo Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite y 3.0 Flash Preview.
IBM ha abierto el código fuente de CodeAlchemy, una canalización y un conjunto de datos sintéticos diseñados para mejorar el rendimiento de los modelos de IA al emparejar código con trazas de ejecución. El lanzamiento incluye casi 1 billón de tokens en 15 lenguajes de programación, sumando al menos 200 veces el tamaño de Wikipedia.
Un usuario comparte su experiencia con el costo computacional de generar conjuntos de datos de entrenamiento a partir de simulaciones físicas, como flujo de fluidos y campos estructurales. Destaca que el desafío principal no es la arquitectura del modelo, sino la dificultad de construir un conjunto de datos grande y diverso cuando cada muestra es costosa de producir.
Los investigadores proponen la Selección Secuencial de Características basada en Clústeres (CSFS), un nuevo método envolvente basado en clústeres para la selección automática y eficiente de características en pipelines de predicción de energías renovables. El enfoque aborda la falta de métodos sistemáticos para seleccionar características de entrada entre el gran número de variables de monitoreo y ambientales disponibles.
Los investigadores proponen la Selección Secuencial de Características Basada en Clusters (CSFS), un nuevo método envoltorio agnóstico al modelo diseñado para abordar la falta de selección sistemática de características en la predicción de potencia eólica y solar. El enfoque tiene como objetivo proporcionar una selección automática, eficiente y confiable de características para los flujos de trabajo de energía renovable.
Los investigadores presentan ViHoRec, un conjunto de datos público de 18.267 interacciones entre 6.832 usuarios y 560 hoteles para la recomendación de hoteles en Vietnam. El recurso aborda desafíos en la resolución de entidades entre plataformas y la liberación que preserva la privacidad mediante pseudónimos HMAC.
Los investigadores presentan FormalAnalyticGeo, un marco escalable para la generación completamente automática de problemas de geometría analítica multimodal que elimina la necesidad de anotación humana. El sistema utiliza una representación intermedia formal llamada CDL para conectar el texto del problema con la renderización precisa de diagramas a través de un motor de Campo de Distancia Firmada.
Los investigadores han desarrollado un método para la criptografía biomolecular que utiliza origami de ADN para transformar mensajes secretos en código Morse a nanoescala. Este enfoque busca asegurar información utilizando moléculas biológicas en lugar de algoritmos criptográficos tradicionales basados en computadoras.
Un usuario ha creado un conjunto de datos derivado basado en el 'Modelo Ortogonal de Emociones' eliminando una dimensión y reemplazando las etiquetas de clúster ontológico con 10 categorías de emojis.
Se ha presentado un nuevo conjunto de datos multimodal llamado corpus In-Car Sign Language (ICSL) para abordar los desafíos del uso de la lengua de señas en servicios de movilidad compartida como taxis y plataformas de transporte por aplicación. El recurso se centra en la Lengua de Señas Brasileña (Libras) para mejorar la accesibilidad del transporte público para la comunidad sorda y con discapacidad auditiva en el interior confinado de los vehículos.
Los investigadores investigan el cambio semántico en 23 compuestos nominales alemanes y 26 ingleses introduciendo la tarea de Predicción de Tendencia de Composicionalidad, evaluada contra un nuevo conjunto de datos de calificaciones diacrónicas por década. Contrario a la literatura que postula una tendencia decisiva hacia que las compuestas se vuelvan menos composicionales, el estudio encuentra solo una pequeña tendencia negativa con el tiempo.
Los investigadores han lanzado JobHop v2, una versión mejorada del conjunto de datos JobHop disponible públicamente diseñado para la planificación de la fuerza laboral y el análisis del mercado laboral. Construido mediante extracción con modelos de lenguaje grandes de extremo a extremo a partir de aproximadamente 440 000 currículums multilingües pseudonimizados proporcionados por VDAB, el Servicio Público de Empleo flamenco, el conjunto de datos contiene 355 315 trayectorias profesionales.
Un proyecto que utiliza el Archivo Online Their Finest Hour de la Universidad de Oxford evaluó tres enfoques de Procesamiento del Lenguaje Natural (PLN) — Reconocimiento de Entidades Nombradas, Extracción de Palabras Clave y Modelado Temático — para automatizar la extracción de palabras clave a escala. El estudio probó estos métodos en un rango de técnicas, desde modelos estadísticos tradicionales hasta redes neuronales modernas de IA generativa.
Los investigadores presentan una evaluación empírica sistemática de las tasas de convergencia de las curvas de aprendizaje para abordar la falta de pautas basadas en datos para determinar tamaños mínimos de muestra en tareas de clasificación basadas en sensores inerciales.