Seorang peneliti telah menerbitkan katalog penelitian OpenGauntlet, sebuah sumber daya publik yang berisi informasi tentang 168 sistem teks-ke-suara (TTS) dan 106 sistem suara-ke-teks (STT). Direktori mencakup model open source dan terhosting, lisensi, persyaratan perangkat keras, bahasa, kemampuan, status siklus hidup, informasi sumber, dan data benchmark yang dipublikasikan jika tersedia.
Sebuah matriks kepatuhan yang diperbarui secara bulanan telah diterbitkan untuk semua 4.893 dataset bahasa India di Hugging Face Hub, mengungkapkan bahwa 65,1% tidak mendeklarasikan tag lisensi per 1 Agustus 2026.
Calibra v0.7.1 memperkenalkan tahap Integritas Dataset baru yang berjalan sebelum analisis kualitas dan cakupan untuk membantu pengguna memverifikasi apakah dataset robotika mereka dapat dipercaya.
Calibra adalah toolkit open-source yang dirancang untuk membantu peneliti melakukan audit pada dataset robot dan mengidentifikasi masalah kualitas sebelum melatih kebijakan. Rilis publik pertama mencakup Ruang interaktif Robot Dataset Health Check untuk mengaudit dataset LeRobot dan benchmark dari 30 dataset LeRobot publik dengan skor kesehatan.
Huggy Engine telah menerbitkan Huggy Database di Hugging Face, yang digambarkan sebagai kumpulan data terbuka terbesar untuk balap kuda Prancis yang tersedia. Rilis ini menyediakan cakupan harian lengkap selama 30 tahun dari 1996 hingga 2026 untuk digunakan dalam aplikasi pembelajaran mesin.
Hugging Face telah merilis The Stack v3, yang digambarkan sebagai dataset kode terbuka terbesar hingga saat ini. Rilis ini menyediakan dua metode akses berbeda untuk mengakomodasi kebutuhan pengguna yang beragam.
louidev telah merilis dataset GlassBallAI di Hugging Face, yang menangkap perilaku prakiraan langsung dari model Gemini Google sebelum hasil diketahui. Dataset ini berisi lebih dari 3.655 baris data yang dikumpulkan antara 17 Februari dan 19 Mei 2026, mencakup Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite, dan 3.0 Flash Preview.
IBM telah membuka sumber CodeAlchemy, sebuah pipeline dan dataset sintetis yang dirancang untuk meningkatkan kinerja model AI dengan memasangkan kode bersama jejak eksekusi. Rilis ini mencakup hampir 1 triliun token di 15 bahasa pemrograman, totalnya setidaknya 200 kali ukuran Wikipedia.
Seorang pengguna membagikan pengalamannya mengenai biaya komputasi dalam menghasilkan dataset pelatihan dari simulasi fisika, seperti aliran fluida dan medan struktural. Mereka menyoroti bahwa tantangan utamanya bukan pada arsitektur model, melainkan kesulitan membangun dataset yang besar dan beragam ketika setiap sampel mahal untuk diproduksi.
Para peneliti mengusulkan Cluster-based Sequential Feature Selection (CSFS), metode wrapper berbasis klasterisasi baru untuk pemilihan fitur otomatis dan efisien dalam pipeline prediksi energi terbarukan. Pendekatan ini mengatasi kurangnya metode sistematis untuk memilih fitur input dari sejumlah besar variabel pemantauan dan lingkungan yang tersedia.
Para peneliti mengusulkan Cluster-based Sequential Feature Selection (CSFS), metode wrapper baru yang tidak bergantung pada model, yang dirancang untuk mengatasi kurangnya pemilihan fitur sistematis dalam prediksi daya angin dan surya. Pendekatan ini bertujuan untuk menyediakan pemilihan fitur yang otomatis, efisien, dan andal untuk pipa energi terbarukan.
Para peneliti memperkenalkan ViHoRec, sebuah dataset publik berisi 18.267 interaksi antara 6.832 pengguna dan 560 hotel untuk rekomendasi hotel Vietnam. Sumber daya ini mengatasi tantangan dalam resolusi entitas lintas-platform dan rilis yang melestarikan privasi menggunakan pseudonim HMAC.
Peneliti memperkenalkan FormalAnalyticGeo, sebuah kerangka kerja yang skalabel untuk generasi otomatis penuh masalah geometri analitik multimoda yang menghilangkan kebutuhan anotasi manusia. Sistem ini memanfaatkan representasi antara formal yang disebut CDL untuk menjembatani teks masalah dengan rendering diagram yang tepat melalui mesin Signed Distance Field.
Para peneliti telah mengembangkan metode kriptografi biomolekuler yang menggunakan origami DNA untuk mengubah pesan rahasia menjadi kode Morse nano. Pendekatan ini bertujuan mengamankan informasi dengan menggunakan molekul biologis daripada algoritma kriptografi berbasis komputer tradisional.
Seorang pengguna telah membuat dataset turunan berdasarkan 'Model Emosi Ortogonal' dengan menghapus satu dimensi dan mengganti label klaster ontologis dengan 10 kategori emoji.
Sebuah dataset multimodal baru yang disebut korpus In-Car Sign Language (ICSL) telah diperkenalkan untuk mengatasi tantangan penggunaan bahasa isyarat dalam layanan mobilitas bersama seperti taksi dan platform berbagi tumpangan. Sumber daya ini berfokus pada Bahasa Isyarat Brasil (Libras) untuk meningkatkan aksesibilitas transportasi umum bagi komunitas Tuli dan Tuna Runggu di interior kendaraan yang terbatas.
Peneliti menyelidiki perubahan semantik dalam 23 majemuk kata benda Jerman dan 26 Inggris dengan memperkenalkan tugas Prediksi Tren Komposisionalitas (Compositionality Trend Prediction), yang dievaluasi terhadap dataset baru peringkat diachronic per dekade. Bertentangan dengan literatur yang mengemukakan kecenderungan tegas bahwa majemuk menjadi kurang komposisional, studi ini hanya menemukan tren negatif kecil seiring waktu.
Para peneliti telah merilis JobHop v2, versi yang ditingkatkan dari dataset JobHop yang tersedia secara publik yang dirancang untuk perencanaan tenaga kerja dan analisis pasar kerja. Dibangun melalui ekstraksi model bahasa besar end-to-end dari sekitar 440.000 resume multibahasa yang dianonimkan yang disediakan oleh VDAB, Layanan Pekerjaan Publik Flandria, dataset ini berisi 355.315 lintasan karir.
Sebuah proyek yang menggunakan Arsif Online Their Finest Hour Online Archive dari Universitas Oxford mengevaluasi tiga pendekatan Pemrosesan Bahasa Alamiah (NLP)—Pengenalan Entitas Bernama, Ekstraksi Kata Kunci, dan Pemodelan Topik—untuk mengotomatisasi ekstraksi kata kunci secara skala besar. Studi ini menguji metode-metode tersebut di berbagai teknik, mulai dari model statistik tradisional hingga jaringan saraf AI generatif modern.
Para peneliti menyajikan evaluasi empiris sistematis terhadap laju konvergensi kurva pembelajaran untuk mengatasi kurangnya panduan berbasis data dalam menentukan ukuran sampel minimum pada tugas klasifikasi berbasis sensor inersia.