open-data

本文讨论了利用Hugging Face上的开放训练数据来训练Marin’s 535B模型的过程，涉及来自152个数据集的25万亿token，并具有允许训练的许可证。

本文介绍了一个工具，显示了20个当前AI模型的发布时长和训练截止日期，并强调每个模型的数据可能有多陈旧。

本文通过使用OLMo-2和Pythia开放预训练语料库中的精确重复计数来研究语言模型中的成员推理，揭示了典型的重复水平显示出最小的暴露痕迹，并且明显的成员信号通常与句子知名度等因素混淆。

Planet Labs宣布推出开放卫星数据流，向公众提供其卫星图像数据的访问权限。

本文介绍了一个大型开放的土壤压实测试数据集，并建立了用于预测压实参数的机器学习基准，强调了用于实际筛选的物理约束模型。

Reactor Atlas 是一个交互式地图和数据库，自1954年以来记录了地球上所有的核反应堆，具有技术记录、动画解释以及停机和事件的实时监控。

SolarWM引入了一个开放框架和统一训练配方，用于通过跨多样数据源的可扩展训练构建交互式视频世界模型，从而实现长时程实时运行。

Rocky Linux 创始人 Gregory Kurtzer 宣布了 OpenWALDO 项目，旨在开放 AI 训练数据，以促进真正的开源 AI 发展。

世界火车地图是一份覆盖120个国家1247条著名火车路线的交互式地图集，最近由TrainRouter更名而来。它提供路线事实、统计数据和一个开放数据集。

Daniel van Strien将来自大英图书馆49,455本数字化图书（约1510–1900年）的1,080,814张公有领域图片上传至Hugging Face Hub，并按图片类型分为四个配置。

This paper argues that Latin America lacks the datasets and benchmarks layers needed to build its own AI, and proposes DataHub, an open, incentive-driven platform with a task-first ontology to index and contribute regional datasets.

这本freeCodeCamp手册教读者如何使用真实洪水数据在Python中构建生产级ETL管道，涵盖增量加载、类型强制转换、去重和幂等性。

MIT开发的医疗数据库演变为PhysioNet——一个全球性生物医学数据存储库，被全球数千名研究人员使用，正如近期《自然·健康》论文所述。

Folding Globes 提供基于开放许可数据构建的免费可打印纸地球，包含主题和地球仪构建器，是 MapScaping 的一个项目。

PhononBench-MP40 是一个基准数据集，包含超过46,000个源自Materials Project的晶体的声子稳定性标签和光谱，旨在评估工作流定义的声子稳定性并支持材料筛选。

The Book Prize Index 是一个可检索的获奖图书索引，旨在让文学奖记录对读者、研究者、图书馆员和出版者开放且有用。

使用Three.js构建的Shinjuku Station室内3D地图，数据来源于日本国土交通省的公开政府数据。

纽约市技术与创新办公室每周发布一份包含全市108万栋建筑足迹的数据集，为城市数据提供详细且最新的地理空间基础。

OpenTK 新增了互联网咨询与通知功能，使用户能够及早获知新的立法进程。

一个数据驱动的可视化项目，通过记录的事件重建FIFA World Cup 2026的每一场比赛，呈现完全由数据构建的印象。