Um pesquisador publicou o catálogo de pesquisa OpenGauntlet, um recurso público contendo informações sobre 168 sistemas de texto para fala (TTS) e 106 sistemas de fala para texto (STT). Os diretórios cobrem modelos de código aberto e hospedados, licenças, requisitos de hardware, idiomas, capacidades, status do ciclo de vida, informações de origem e dados de benchmark publicados quando disponíveis.
Foi publicada uma matriz de conformidade atualizada mensalmente para todos os 4.893 conjuntos de dados em idiomas indianos no Hugging Face Hub, revelando que 65,1% não declaram nenhuma tag de licença até 1º de agosto de 2026.
O Calibra v0.7.1 introduz uma nova etapa de Integridade do Conjunto de Dados que é executada antes da análise de qualidade e cobertura para ajudar os usuários a verificar se seus conjuntos de dados de robótica são confiáveis.
O Calibra é um toolkit de código aberto projetado para ajudar pesquisadores a auditar conjuntos de dados de robôs e identificar problemas de qualidade antes de treinar políticas. O primeiro lançamento público inclui um Espaço interativo Robot Dataset Health Check para auditar conjuntos de dados LeRobot e uma avaliação comparativa de 30 conjuntos de dados públicos do LeRobot com pontuações de saúde.
A Huggy Engine publicou o Huggy Database no Hugging Face, descrito como o maior conjunto de dados aberto de corridas de cavalos franceses disponível. O lançamento fornece 30 anos de cobertura diária completa de 1996 a 2026 para uso em aplicações de aprendizado de máquina.
A Hugging Face lançou o The Stack v3, descrito como o maior conjunto de dados de código aberto até o momento. O lançamento oferece dois métodos de acesso distintos para atender às necessidades de diferentes usuários.
louidev lançou o conjunto de dados GlassBallAI no Hugging Face, capturando o comportamento de previsão em tempo real dos modelos Gemini do Google antes que os resultados sejam conhecidos. O conjunto de dados contém mais de 3.655 linhas de dados coletadas entre 17 de fevereiro e 19 de maio de 2026, abrangendo Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite e 3.0 Flash Preview.
A IBM lançou o CodeAlchemy, um pipeline e um conjunto de dados sintéticos projetados para melhorar o desempenho de modelos de IA ao associar código a rastros de execução. O lançamento inclui quase 1 trilhão de tokens em 15 linguagens de programação, totalizando pelo menos 200 vezes o tamanho da Wikipedia.
Um usuário compartilha sua experiência com o custo computacional de gerar conjuntos de dados de treinamento a partir de simulações físicas, como fluxo de fluidos e campos estruturais. Ele destaca que o desafio principal não é a arquitetura do modelo, mas a dificuldade de construir um conjunto de dados grande e diverso quando cada amostra é cara de produzir.
Pesquisadores propõem a Seleção Sequencial de Características baseada em Clusters (CSFS), um novo método wrapper baseado em clusters para seleção automática e eficiente de características em pipelines de previsão de energias renováveis. A abordagem aborda a falta de métodos sistemáticos para selecionar características de entrada entre o grande número de variáveis de monitoramento e ambientais disponíveis.
Pesquisadores propõem a Seleção Sequencial de Características Baseada em Clusters (CSFS), um novo método wrapper agnóstico ao modelo, projetado para abordar a falta de seleção sistemática de características na previsão de potência eólica e solar. A abordagem visa fornecer seleção automática, eficiente e confiável de características para pipelines de energia renovável.
Pesquisadores introduzem o ViHoRec, um conjunto de dados público com 18.267 interações entre 6.832 usuários e 560 hotéis para recomendação de hotéis no Vietnã. O recurso aborda desafios na resolução de entidades entre plataformas e na divulgação que preserva a privacidade usando pseudônimos HMAC.
Pesquisadores introduzem o FormalAnalyticGeo, um framework escalável para a geração totalmente automática de problemas de geometria analítica multimodal que elimina a necessidade de anotação humana. O sistema utiliza uma representação intermediária formal chamada CDL para conectar o texto do problema à renderização precisa de diagramas por meio de um motor Signed Distance Field.
Os pesquisadores desenvolveram um método para criptografia biomolecular que usa origami de DNA para transformar mensagens secretas em código Morse em nanoescala. Esta abordagem visa proteger informações usando moléculas biológicas em vez de algoritmos criptográficos tradicionais baseados em computadores.
Um usuário criou um conjunto de dados derivado com base no 'Modelo Ortogonal de Emoções', removendo uma dimensão e substituindo os rótulos de cluster ontológico por 10 categorias de emojis.
Um novo conjunto de dados multimodal chamado corpus In-Car Sign Language (ICSL) foi introduzido para abordar os desafios do uso da língua de sinais em serviços de mobilidade compartilhada, como táxis e plataformas de transporte por aplicativo. O recurso foca na Língua Brasileira de Sinais (Libras) para melhorar a acessibilidade do transporte público para a comunidade surda e com deficiência auditiva no interior confinado dos veículos.
Pesquisadores investigam a mudança semântica em 23 compostos nominais alemães e 26 ingleses, introduzindo a tarefa de Previsão de Tendência de Composicionalidade, avaliada contra um novo conjunto de dados de classificações diacrônicas por década. Contrariando a literatura que postula uma tendência decisiva de os compostos se tornarem menos composicionais, o estudo encontra apenas uma pequena tendência negativa ao longo do tempo.
Pesquisadores lançaram o JobHop v2, uma versão aprimorada do conjunto de dados JobHop disponível publicamente, projetado para planejamento da força de trabalho e análise do mercado de trabalho. Construído por meio de extração ponta a ponta com grandes modelos de linguagem a partir de aproximadamente 440.000 currículos multilíngues pseudonimizados fornecidos pelo VDAB, o Serviço Público de Emprego flamengo, o conjunto de dados contém 355.315 trajetórias de carreira.
Um projeto que utiliza o Arquivo Online Their Finest Hour da Universidade de Oxford avaliou três abordagens de Processamento de Linguagem Natural (PLN) — Reconhecimento de Entidades Nomeadas, Extração de Palavras-Chave e Modelagem de Tópicos — para automatizar a extração de palavras-chave em escala. O estudo testou esses métodos em uma variedade de técnicas, desde modelos estatísticos tradicionais até redes neurais modernas de IA generativa.
Os pesquisadores apresentam uma avaliação empírica sistemática das taxas de convergência das curvas de aprendizado para abordar a falta de diretrizes baseadas em dados para determinar tamanhos mínimos de amostra em tarefas de classificação baseadas em sensores inerciais.