开源数据集相关 AI 资讯 · AI 热点

8月22日

01:58

01:58

AI Will@FinanceYF5

精选

Harvey在Sovereign AI活动上分享了开源数据集和建设低成本研究实验室的经验，包括法律代理、合成数据生成、模型服务矩阵等内容。

论文 Harvey 开源数据集研究实验室

推荐理由：Harvey分享开源数据集，低成本建设研究实验室的经验值得学习。

7月26日

15:01

15:01

量子位@鱼羊

新智具身与复旦大学联合发布三份触觉数据相关报告。报告包含总计3万小时的触觉数据，全部开源。该数据用于训练具身智能的精细触觉感知能力。

论文新智具身复旦具身智能

推荐理由：搞具身智能的团队，想给机器人加上手感，直接拿新智具身和复旦开源的3万小时触觉数据去训练，省时省力。

7月21日

17:17

17:17

Yangyi@Yangyixxxx

精选76°

姚金刚与好友拔刀刘开源了国内8个AI平台（豆包、DeepSeek、元宝、千问、Kimi、文心、百度AI等）的搜索数据集，包含620个标准问题、214,119条AI引用观察，去重后保留189,845条。数据覆盖6个研究维度、31种问题类型，引用来源归并为9,878个规范域名、107,659个规范页面。初步分析显示，Top10信源贡献了41.47%的去重引用，抖音、腾讯网、今日头条、百度百科排前四；平台与社区类信源仅占4.68%域名却获29.63%引用。跨平台Jaccard相似度最高仅34.94%，表明各平台引用偏好差异显著。

行业姚金刚 AI搜索开源数据集

推荐理由：这批数据太香了，覆盖豆包、DeepSeek、Kimi等8个平台的搜索引用，21万条记录随便分析，搞AI搜索和信源生态的别错过。

7月1日

05:24

05:24

Thomas Wolf@Thom_Wolf

Multimodal Universe 项目在 Hugging Face 上发布 80TB 天体物理数据集，整合了 SDSS 和 Gaia 等 30 多个来源的数据。该数据集包含星系光谱、恒星时间序列及多种物理量，通过交叉匹配技术实现高效查询。用户仅需约 4GB RAM 即可在笔记本上处理 800k 与 122M 个天体的匹配。该发布有望将天文数据的可及性提升万倍。

行业 Hugging Face SDSS Gaia

推荐理由：Hugging Face 上悄悄放了 80TB 天文数据，用你笔记本就能跑 SDSS 和 Gaia 交叉匹配。搞 AI for Science 的话别错过，比想象中好上手。

03:47

03:47官方一手Google Research: Blog（资讯）

Google Earth AI团队将Heat Resilience数据集的覆盖范围扩大到全球50多个城市。该数据集采用开源模型与数据集许可，提供高分辨率城市热环境指标。社区可利用该数据评估城市热岛效应，制定适应性措施。

AI模型 Google Research Earth AI Heat Resilience

推荐理由：Google把热弹性数据做到50+城市了，开源可下载，做城市热岛分析直接拿数据，不用自己算。

6月18日

00:30

00:30

官方账号Clement Delangue@ClementDelangue

74°

XDOF宣布完成7000万美元融资，投资方包括多家未披露的投资者。该公司由来自Covariant、Meta和Tesla的团队创立，专注于为机器人基础模型构建核心基础设施。同时，他们开源了ABC-130K数据集，这是目前最大的开源遥操作数据集，与UC Berkeley、CMU、MIT和Amazon FAR合作开发。该数据集可帮助研究人员和公司更高效地训练机器人基础模型。

行业 XDOF ABC-130K Hugging Face

推荐理由：XDOF拿了7000万美金做机器人基础模型，还开源了130K的遥操作数据集，搞机器人训练的朋友赶紧去用。

6月16日

09:07

09:07

官方一手GitHub Blog@Natalie Guevara

GitHub发布了一个新的repository-level数据集，许可证为CC0-1.0，包含多语言开发者内容，涵盖README、issues和pull requests。该数据集旨在帮助研究人员和开发者训练或改进多语言AI模型。数据集中于2025年4月发布，可直接下载使用，无需额外申请。

AI模型 GitHub 多语言AI 开源数据集

推荐理由：GitHub新出的多语言数据集，免费开源，里面各种语言的README和讨论都有，做多语言AI模型训练正好用上。