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.
O usuário helloadhavan criou um conjunto de dados chamado CC-FilteredCorpus, projetado para filtrar o Common Crawl e extrair conteúdo como Markdown limpo. O projeto visa preservar a estrutura útil do documento, incluindo cabeçalhos, listas, links, blocos de código e tabelas, em vez de achatar tudo em texto puro.
O autor apresenta o Calibra, um kit de ferramentas de código aberto projetado para analisar e garantir a integridade dos conjuntos de dados de aprendizado robótico. A ferramenta visa evitar o desperdício de computação ao identificar dados problemáticos antes do início do treinamento.
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.
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.