한 연구자가 OpenGauntlet 연구 카탈로그를 게시했습니다. 이는 168개의 텍스트 음성 변환(TTS) 시스템과 106개의 음성 텍스트 변환(STT) 시스템에 대한 정보를 포함하는 공개 리소스입니다. 디렉토리에는 오픈 및 호스팅 모델, 라이선스, 하드웨어 요구 사항, 언어, 기능, 수명 주기 상태, 소스 정보 및 사용 가능한 경우 게시된 벤치마크 데이터가 포함되어 있습니다.
Hugging Face Hub의 모든 4,893개 인도어 데이터셋에 대해 월간 업데이트되는 준수 매트릭스가 게시되었으며, 2026년 8월 1일 기준으로 65.1%가 라이선스 태그를 선언하지 않았습니다.
Calibra v0.7.1은 품질 및 커버리지 분석 전에 실행되어 사용자가 로봇 데이터셋의 신뢰성을 확인할 수 있도록 도와주는 새로운 데이터셋 무결성(Dataset Integrity) 단계를 도입합니다.
Calibra는 연구자가 정책을 훈련하기 전에 로봇 데이터셋을 감사하고 품질 문제를 식별할 수 있도록 설계된 오픈소스 툴킷입니다. 첫 번째 공개 릴리스에는 LeRobot 데이터셋을 감사하기 위한 상호작용형 Space인 Robot Dataset Health Check와 건강 점수가 포함된 30개의 공개 LeRobot 데이터셋 벤치마크가 포함되어 있습니다.
Huggy Engine은 Hugging Face에 Huggy Database를 게시했으며, 이는 이용 가능한 가장 큰 공개 프랑스 경마 데이터셋으로 설명됩니다. 이 릴리스는 머신러닝 애플리케이션에서 사용하기 위해 1996년부터 2026년까지 30년 치의 완전한 일일 커버리지를 제공합니다.
Hugging Face는 지금까지 가장 큰 오픈 코드 데이터셋인 The Stack v3를 출시했습니다. 이번 릴리스는 다양한 사용자의 요구를 충족하기 위해 두 가지 서로 다른 접근 방법을 제공합니다.
louidev가 Hugging Face에 GlassBallAI 데이터셋을 공개했으며, 이는 결과 판명이 되기 전 Google의 Gemini 모델들이 보인 실시간 예측 행동을 포착한 것이다. 이 데이터셋은 2026년 2월 17일부터 5월 19일까지 수집된 3,655개 이상의 행(row)으로 구성되어 있으며, Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite, 3.0 Flash Preview를 포함한다.
IBM은 코드와 실행 트레이스를 페어링하여 AI 모델 성능을 향상시키기 위해 설계된 파이프라인 및 합성 데이터셋인 CodeAlchemy를 오픈소스로 공개했습니다. 이번 릴리스에는 15개 프로그래밍 언어에 걸쳐 거의 1조 개의 토큰이 포함되어 있으며, 이는 위키백과 크기의 최소 200배에 해당합니다.
한 사용자가 유체 흐름 및 구조장과 같은 물리 시뮬레이션에서 훈련 데이터셋을 생성하는 데 따른 계산 비용 경험을 공유했습니다. 그들은 주요 과제가 모델 아키텍처가 아니라 각 샘플의 생산 비용이 높을 때 대규모이고 다양한 데이터셋을 구축하는 어려움이라고 강조했습니다.
연구자들은 재생 에너지 예측 파이프라인에서 자동적이고 효율적인 특징 선택을 위한 새로운 클러스터링 기반 래퍼 방법인 Cluster-based Sequential Feature Selection (CSFS)를 제안합니다. 이 접근법은 사용 가능한 모니터링 및 환경 변수가 많은 상태에서 입력 특징을 선택하기 위한 체계적인 방법의 부재를 해결합니다.
연구자들은 풍력 및 태양광 발전 예측에서 체계적인 특징 선택의 부재를 해결하도록 설계된 새로운 모델 비종속 래퍼 방법인 클러스터 기반 순차적 특징 선택(CSFS)을 제안한다. 이 접근 방식은 재생에너지 파이프라인에 자동적이고 효율적이며 신뢰할 수 있는 특징 선택을 제공하는 것을 목표로 한다.
연구자들은 6,832명의 사용자 및 560개 호텔 간 18,267개의 상호작용으로 구성된 베트남어 호텔 추천을 위한 공개 데이터셋 ViHoRec를 소개했습니다. 이 자료는 HMAC 가명을 사용한 크로스 플랫폼 엔티티 해결과 프라이버시 보호 릴리스의 과제를 다룹니다.
연구자들은 인간의 주석이 필요 없는 다중 모달 해석 기하학 문제의 완전 자동 생성을 위한 확장 가능한 프레임워크인 FormalAnalyticGeo를 소개했습니다. 이 시스템은 부호 있는 거리장 엔진을 통해 문제 텍스트와 정확한 다이어그램 렌더링을 연결하기 위해 CDL이라는 형식적 중간 표현을 사용합니다.
연구원들은 DNA 오리가미를 사용하여 비밀 메시지를 나노 모스 부호로 변환하는 생체 분자 암호화 방법을 개발했습니다. 이 접근 방식은 전통적인 컴퓨터 기반 암호화 알고리즘이 아닌 생물학적 분자를 사용하여 정보를 보호하는 것을 목표로 합니다.
한 사용자가 '직교 감정 모델'을 기반으로 차원 하나를 제거하고 존재론적 클러스터 레이블을 10개의 이모션 카테고리로 대체하여 파생 데이터셋을 만들었습니다.
택시 및 라이드셰어링 플랫폼과 같은 공유 모빌리티 서비스 내에서 수화를 사용하는 과제를 해결하기 위해 In-Car Sign Language (ICSL) 코퍼스라고 불리는 새로운 멀티모달 데이터셋이 도입되었습니다. 이 리소스는 제한된 차량 내부 환경에서 난청 및 청각 장애인 커뮤니티의 대중교통 접근성을 개선하기 위해 브라질 수화(Libras)에 중점을 둡니다.
연구자들은 Compositionality Trend Prediction 작업을 도입하고 새로운 시대별 동기적 평가 데이터셋을 대상으로 평가함으로써, 23개의 독일어 및 26개의 영어 명사 복합어에서 의미 변화를 조사했습니다. 복합어가 구성성을 잃는 방향으로 결정적인 경향을 보인다고 주장하는 기존 문헌과 대조적으로, 이 연구는 시간 경과에 따른 작은 부정적 경향만 발견했습니다.
연구자들은 노동력 계획 및 노동 시장 분석을 위해 설계된 공개 JobHop 데이터셋의 개선된 버전인 JobHop v2를 출시했습니다. VDAB(플람스 공공 고용 서비스)에서 제공한 약 440,000개의 익명화된 다국어 이력서로부터 엔드투엔드 대규모 언어 모델 추출을 통해 구축되었으며, 이 데이터셋에는 355,315개의 경력 궤적이 포함되어 있습니다.
옥스퍼드 대학의 Their Finest Hour Online Archive를 사용한 프로젝트는 대규모 키워드 추출을 자동화하기 위해 개체명 인식, 키워드 추출, 주제 모델링이라는 세 가지 자연어 처리 접근법을 평가했습니다. 이 연구는 전통적인 통계 모델부터 최신 생성 AI 신경망에 이르기까지 다양한 기법에서 이러한 방법들을 테스트했습니다.
연구자들은 관성 센서 기반 분류 작업에서 최소 샘플 크기를 결정하기 위한 데이터 기반 가이드라인의 부재를 해결하기 위해 학습 곡선 수렴 속도의 체계적인 경험적 평가를 제시했습니다.