datasets

介绍了一个GitHub上名为Awesome Public Datasets的清单，收录了全球高质量公开数据集，帮助数据分析师节省寻找数据的时间。

一个新的开源仓库精选了一份第一人称视觉数据集列表，更新以包括2023–2026年的最新版本，并添加了关于VLA论文的部分，同时移除了损坏的链接。

本文综述了涵盖文本、音频和多模态系统的多轮对话人工智能，分析了数据集、建模范式和评估方法，同时强调了关键挑战，如持久记忆和跨轮次对齐。

港科大与美团合作发布开源海报生成模型PosterCraft，通过多阶段训练优化中文文本渲染和排版，提供完整数据集和代码。

一个用于浏览超过10,000个神经科学数据集的新工具已经发布，其中包含来自Hugging Face的近2,000个数据集。

Hugging Face's mid-2026 report analyzes the open-model ecosystem, noting that Chinese labs now lead in releasing the largest open models, Qwen has become the community's base model, and small models plus agents are driving practical adoption.

文章指出真实机器人交互数据是VLA落地的关键瓶颈，模型架构趋同但数据获取难，少数公司拥有专有数据构成护城河，同时开源数据集如Open X-Embodiment、DROID等可供参考验证。

认为最有价值的机器人收购目标是拥有最佳真实世界操作数据集的公司，因为模型在快速趋同，但数据仍然稀缺，且集中在少数玩家手中。

NVIDIA 在 Hugging Face 上发布了 NeMo Gym 对话式工具使用资源，包括用于该管线的黄金策略/工具参考对和提示历史。

一个GitHub仓库整理了国内外用于大模型与生成式AI训练的数据集下载站点，涵盖文生文、文生图、文生视频，按地区和类型分类，免费与付费资源均有收录。

Sergey Levine 强调了从次优机器人数据中学习的重要性，并推广了 OopsieData——一个收集并开源那些丰富但未被充分利用的机器人失败交互片段的社区项目。

一位开发者分享了为没有用户的AI产品创建黄金标准评估数据集的挑战，考虑了合成数据生成和对抗性测试，以避免发布后的重构。

本文通过三个数据集研究机器学习何时在风险暴露加权发货优先级排序中优于传统价值排序。

本综述探讨了多模态大语言模型中的计算幽默理解，涵盖了方法、数据集、评估协议以及诸如易受捷径影响的评估和证据基础薄弱等挑战。

本立场论文认为，机器学习中的真实标准数据集并非客观真理，而是由选择塑造的人为构建，并主张阐明这些选择以提高可靠性、透明度和问责性。

This project open-sources datasets that can be used for algorithm training and research.

The Well 是一个开源数据集，包含15TB的物理模拟数据，涵盖16个领域，由Flatiron Institute和11所大学共同创建，旨在训练PDE代理模型，使研究人员能够用神经网络替代昂贵的超级计算机模拟。

对非社交媒体自由文本数据集进行系统综述，用于心理健康障碍检测，识别当前资源中的偏见与空白。

LeRobot v0.6.0 是 Hugging Face 机器人学习库的一个重要版本，新增世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新的 VLAs、奖励模型、六个模拟基准、深度感知、基于 VLM 的数据集注释、自定义视频编码、云端训练，以及用于人工在环校正的部署 CLI。

HuggingFace CEO Clement Delangue 整理了250个来自美国的开放AI里程碑，重点介绍了Transformer、PyTorch、BERT、GPT-2和Llama等贡献，并呼吁在AI开发中保持开放性。