사용자 helloadhavan은 Common Crawl을 필터링하고 콘텐츠를 깔끔한 Markdown으로 추출하도록 설계된 CC-FilteredCorpus라는 데이터셋을 만들었습니다. 이 프로젝트는 모든 것을 평평한 텍스트로 만드는 대신 제목, 목록, 링크, 코드 블록 및 테이블을 포함한 유용한 문서 구조를 보존하는 것을 목표로 합니다.
저자는 로봇 학습 데이터셋의 분석과 무결성 보장을 위해 설계된 오픈소스 도구 모음인 Calibra를 소개합니다. 이 도구는 훈련 시작 전에 문제가 있는 데이터를 식별하여 계산 자원의 낭비를 방지하는 것을 목표로 합니다.
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.
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.