A NewTypeCola publicou o VOKU Archive no Hugging Face, uma coleção de 66.010 páginas digitalizadas de cue sheets (folhas de indicações) de rádios universitárias estudantis na Coreia do Sul. Os documentos abrangem de 1988 a 2019 e incluem texto OCR, anotações de pseudônimos como tokens e metadados.
Pesquisadores apresentam o VideoX-Qwen, uma estrutura integrada que combina construção escalável de dados com treinamento de modelo para avançar na edição de vídeo de propósito geral e orientada por instruções. O sistema utiliza um pipeline de produção que organiza modelos especializados para gerar registros de edição direcional, resultando em mais de 1,2 milhão de amostras de alta qualidade nas tarefas de adição, remoção, substituição e atributos.
Um linguista computacional e especialista em PLN do idioma hausa apresentou um novo conjunto de dados projetado para avaliar Grandes Modelos de Linguagem no contexto da saúde e segurança dentro do idioma hausa.
O projeto FlyEye publicou o primeiro conjunto de dados compacto em nível de neurônio, junto com um kit de desenvolvimento para navegador e runtime. Este lançamento inclui o conjunto de dados Tubban/flyeye-escape-neuron-v1 hospedado no Hugging Face.
A Adaption Labs apresentou o "Invent a Dataset", um recurso que gera conjuntos de dados estruturados e prontos para treinamento diretamente a partir de descrições de tarefas em linguagem natural, sem exigir um corpus semente, esquema predefinido ou guia de rotulagem. A ferramenta está disponível por meio do aplicativo Adaption, SDK Python e API REST, permitindo que os usuários baixem as linhas geradas nos formatos JSONL, JSON, CSV ou Parquet.
Os autores apresentam o TrialGPT 2.0, um sistema de recomendação de ensaios clínicos assistido por IA projetado para implantação no mundo real, que avalia quais ensaios merecem consideração com base nas necessidades dos pacientes e nas prioridades do fluxo de trabalho.