ユーザー helloadhavan は、Common Crawl をフィルタリングしてクリーンな Markdown としてコンテンツを抽出するために設計された CC-FilteredCorpus というデータセットを作成しました。このプロジェクトは、すべてをプレーンテキストに平坦化するのではなく、見出し、リスト、リンク、コードブロック、テーブルなど、有用なドキュメント構造を保持することを目指しています。
著者は、ロボティクス学習データセットの分析と整合性の確保を目的としたオープンソースツールキットであるCalibraを紹介します。このツールは、トレーニング開始前に問題のあるデータを特定することで、計算資源の無駄を防ぐことを目指しています。
研究者がOpenGauntlet研究カタログを公開しました。これは、168のテキスト読み上げ（TTS）システムと106の音声認識（STT）システムに関する情報を含む公開リソースです。ディレクトリには、オープンソースおよびホストモデル、ライセンス、ハードウェア要件、言語、機能、ライフサイクルステータス、ソース情報、利用可能な場合は公開されたベンチマークデータが含まれています。
Hugging Face Hub上のすべての4,893のインド言語データセットを対象とした月次更新版のコンプライアンスマトリックスが公開され、2026年8月1日時点で65.1%がライセンスタグを宣言していないことが明らかになりました。
Calibra v0.7.1 は、品質およびカバレッジ分析の前に実行される新しいデータセット整合性（Dataset Integrity）ステージを導入し、ユーザーがロボティクスデータセットの信頼性を確認できるよう支援します。
Calibraは、研究者がポリシーをトレーニングする前にロボットデータセットを検証し、品質の問題を特定するのに役立つように設計されたオープンソースのツールキットです。最初の公開リリースには、LeRobotデータセットを検証するためのインタラクティブなSpace「Robot Dataset Health Check」と、ヘルススコア付きの30の公開LeRobotデータセットのベンチマークが含まれています。
Huggy Engineは、Hugging Face上でHuggy Databaseを公開しました。これは利用可能なフランス競馬のオープンデータセットの中で最大規模であるとされています。このリリースでは、機械学習アプリケーションでの使用を目的として、1996年から2026年までの30年間にわたる完全な日次カバレッジが提供されます。
Hugging Faceは、これまでに最も大きなオープンコードデータセットであるThe Stack v3をリリースしました。本リリースでは、異なるユーザーのニーズに対応するため、2つの異なるアクセス方法が提供されます。
louidevはHugging Face上でGlassBallAIデータセットを公開しました。これは、結果が判明する前にGoogleのGeminiモデルが行うリアルタイムの予測行動を捉えたものです。このデータセットには、2026年2月17日から5月19日にかけて収集された3,655件以上のレコードが含まれており、Gemini 2.5 Flash、2.5 Pro、2.5 Flash Lite、および3.0 Flash Previewをカバーしています。
あるユーザーが、流体流動や構造的場などの物理シミュレーションからトレーニング用データセットを生成する際の計算コストについての経験を共有しています。彼らは、主要な課題はモデルアーキテクチャではなく、各サンプルの生成コストが高い場合に大規模で多様なデータセットを構築することの難しさを強調しています。