dataset

HuggingFace Bio 团队发布 FineDNA——迄今最大的 DNA/基因组学大语言模型训练数据集，包含超过 3000 亿个词元的基因组与 DNA 相关文本、约 20 万条监督微调对话和约 9.8 万条可验证强化学习提示，以及将 Qwen3-14B 训练成最强开源 DNA 模型 Carbon-X 的完整代码与训练方案。

本文利用扩展后的 Khana 数据集和七种视觉模型，研究了不同的预训练视觉表征如何将印度食物组织成相似性邻域，发现食物相似性取决于表征、模态和抽象层次，而非食物的固有属性。

SketchDirector 是一个用于复杂场景草图生成的智能体框架，通过大语言模型将文本提示分解为矢量资产，基于自演化记忆进行迭代布局推理，并利用扩散先验优化细节，同时发布了 MCSketch8K 数据集以支持后续研究。

SVPino 强调了 Voice Arena AI 的 Joy 数据集——一个包含 10 万小时的双通道对话式语音数据集，拥有独立的每说话人音轨，并涵盖语音重叠、打断、停顿和反馈词（backchannels），旨在教会语音模型掌握对话节奏。

LlamaIndex 发布了 Boo Bench，这是一个由 179 页文档页面组成的基准测试集，专门设计用来诱骗解析器和视觉语言模型进入重复循环。该基准配有排行榜和论文，测量各系统返回结果的"无鬼影"频率。

HALO 提出了一套人工标注的基准与包含 8,000 条回复的数据集，用于评估主动型 AI 智能体。研究发现，过度主动（时机过早或强度过大）是主要的失败模式，占被拒回复的 61% 以上。

作者开发了语音转文字应用 WhisperNow，并使用包含 6.6 万条数据的数据集微调了三个大语言模型（LFM2.5 1.2B/2.6B、Qwen3.5 4B），以在本地清理口语中的不流畅表达，在短篇口述转写的事实准确性上超越了多个云端模型。

Lipi-Ghor 推出了一个时长 885 小时、标注了说话人、涵盖多个领域的孟加拉语语音语料库。该语料库通过可复现的流程从 YouTube 视频中构建，并提供了四种自动语音识别（ASR）模型的基准测试结果，以及一个经人工核验、依据 CC-BY-4.0 许可发布的黄金评估子集。

IntReal 提出了 IntReal-100K——一个真实世界的多模态交错数据集，以及一套七维度评估体系，用于诊断统一多模态模型的性能，表明针对特定模态的训练可以提升交错文本-图像生成能力。

该论文批判了传统机器翻译评估方法（MQM、ESA）的局限，提出了RATE（Refined Assessment for Translation Evaluation）协议和由专业语言学家标注的高质量英俄翻译评估数据集，发现SOTA机器翻译系统在准确度上可能已超越人类翻译，但在流畅度上仍存在差距。

论文提出 Isharah-Selfie 数据集，这是一个完全通过前置智能手机自拍视角采集的大型阿拉伯手语（ArSL）数据集，包含 16 名签名者的 8,997 段视频和 1,493 个句子，用于连续手语识别与翻译，并揭示现有方法在自拍条件及未见句子泛化上的不足。

LociArt 提出一种统一的自由风格局部视频范式，通过生成式细化网络（GRNStyle）实现区域-风格精确关联、空间控制与时间一致性，并发布了 LociArt-100K 数据集及配套基准。

本文提出了首个用于选举承诺挖掘的尼泊尔语政治文本黄金标准数据集，比较了机器学习、深度学习和大语言模型方法，并将结果集成到移动应用中，以可视化方式呈现选举问责情况。

CHiME-3 背景噪音录音现已在 Zenodo 上以 CC BY 4.0 协议开放提供，包含六通道平板阵列在公交、咖啡馆、步行区和街道四种真实环境中录制的 16 kHz 音频，允许商用及再分发。

The Last Museum 是一个可对全球主要博物馆的 580 万件（更新数据约 630 万件）艺术品进行语义搜索的工具，让公众通过自然语言检索海量艺术藏品。

DataPraxis 提出一种基于验证式工作区演化的分析任务合成框架，并据此构建 DataPraxis-5K 数据集（5000 条已验证轨迹），训练出 DataPraxis-27B 与 DataPraxis-35B-A3B 模型，在 DABStep 与 JobBench 上达到或超过 GLM-5.2 等前沿模型水平。

DONIC 是首个跨操作类别与人类动作来源联合训练的通用双手灵巧追踪器，结合 PPO 与行为克隆的反馈循环及每手奖励设计，并发布 BiHOI 多视角数据集，在未见物体上无需微调即大幅超越现有 SOTA。

Marble 将其内部小学知识图谱 os-taxonomy 整个开源，包含 1591 个细粒度知识点、3225 条先修依赖构成的有向无环图，覆盖 8 个学科并对齐 NGSS、Common Core 等课程标准，许可允许研究与商用。该项目上线不久已获 5881 star、986 fork，为教育类产品提供可直接复用的先修关系底稿。

Maxime Rivest 认为，任何一次付费的 LLM 推理成功运行都应该被保存下来，因为它本身就是一份有价值的数据集；Gal Elmalah 也表达了类似观点，认为数据是一种未来资产。

EgoXperience 提出一个统一框架，通过自动标注的大规模数据和单次前向传播模型，从第一人称视频中联合重建相机运动、场景几何、手部与物体，并发布了 EgoX-Data-6M 数据集与 EgoX-Bench 基准，取得显著优于基线的性能。