IBM a open-sourcé CodeAlchemy, un pipeline et un jeu de données synthétiques conçus pour améliorer les performances des modèles d'IA en associant le code à des traces d'exécution. La publication comprend près de 1 trillion de tokens sur 15 langages de programmation, totalisant au moins 200 fois la taille de Wikipédia.
L'utilisateur helloadhavan a créé un ensemble de données appelé CC-FilteredCorpus conçu pour filtrer Common Crawl et extraire du contenu sous forme de Markdown propre. Le projet vise à préserver la structure utile du document, y compris les en-têtes, les listes, les liens, les blocs de code et les tableaux, plutôt que de tout aplatir en texte brut.
L'auteur présente Calibra, un kit d'outils open source conçu pour analyser et garantir l'intégrité des ensembles de données d'apprentissage robotique. L'outil vise à éviter le gaspillage de calcul en identifiant les données problématiques avant le début de l'entraînement.
Un chercheur a publié le catalogue de recherche OpenGauntlet, une ressource publique contenant des informations sur 168 systèmes de synthèse vocale (TTS) et 106 systèmes de reconnaissance vocale (STT). Les répertoires couvrent les modèles open source et hébergés, les licences, les exigences matérielles, les langues, les capacités, le statut du cycle de vie, les informations sources et les données de benchmark publiées lorsque disponibles.
Une matrice de conformité mise à jour mensuellement a été publiée pour les 4 893 ensembles de données en langues indiennes sur le Hub Hugging Face, révélant que 65,1 % ne déclarent aucune balise de licence au 1er août 2026.
Calibra v0.7.1 introduit une nouvelle étape d'Intégrité du jeu de données qui s'exécute avant l'analyse de la qualité et de la couverture pour aider les utilisateurs à vérifier si leurs jeux de données robotiques sont fiables.
Calibra est une boîte à outils open-source conçue pour aider les chercheurs à auditer les ensembles de données robotiques et à identifier les problèmes de qualité avant d'entraîner des politiques. La première version publique inclut un Espace interactif Robot Dataset Health Check pour auditer les ensembles de données LeRobot et un benchmark de 30 ensembles de données publics LeRobot avec des scores de santé.
Huggy Engine a publié la base de données Huggy Database sur Hugging Face, décrite comme le plus grand jeu de données ouvert disponible sur les courses hippiques françaises. Cette publication offre 30 ans de couverture quotidienne complète, de 1996 à 2026, destinée aux applications d'apprentissage automatique.
Hugging Face a publié The Stack v3, décrit comme le plus grand jeu de données de code ouvert à ce jour. La publication propose deux méthodes d'accès distinctes pour répondre aux besoins des différents utilisateurs.
louidev a publié l'ensemble de données GlassBallAI sur Hugging Face, capturant le comportement de prévision en direct des modèles Gemini de Google avant que les résultats ne soient connus. L'ensemble de données contient plus de 3 655 lignes de données collectées entre le 17 février et le 19 mai 2026, couvrant Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite et 3.0 Flash Preview.
Un utilisateur partage son expérience concernant le coût computationnel de la génération de jeux de données d'entraînement à partir de simulations physiques, telles que l'écoulement fluide et les champs structurels. Il souligne que le défi principal n'est pas l'architecture du modèle, mais la difficulté de construire un jeu de données large et diversifié lorsque chaque échantillon est coûteux à produire.