#数据集

微调 Whisper Medium 就把孟加拉语 WER 从 85% 打到 7.65%，80 多家机构一周内排队要授权，低资源语音方向的值得关注。

elvis@omarsar03 个信源在谈原文

研究 RTL 断言生成的可以看看，120 个行为族都做了形式化验证，还能测模型对等价实现的鲁棒性。

华为团队把 44 万个 GitHub 仓库和 55 万篇 arXiv 论文连起来，发现星标等信号能提前判断哪篇论文会火，精度提升 12%，数据集免费下载。

这篇论文提出了局部蒸馏方法，对于需要可解释性的AI模型来说是个重要进展，值得一读。

EG-ARSA模型基于专家知识，有效解决低资源环境下的道路安全审计问题，是Gemini-2.5-Flash模型的升级版。

Anthropic开源了提示词和数据集，还发布了技术报告，想了解他们AI系统设计的可以看看。

官方账号Anthropic@AnthropicAI11 个信源在谈原文

想研究 Agent 技能生态的，这个数据集直接给你 380 万份真实 SKILL.md，比你自己爬 GitHub 省事多了。

遥感领域缺精细的篡改定位数据集，这个原型集合了拼接和扩散修复两类篡改，还带掩码和元数据，做取证研究可以直接拿来测。

想要自动生成带精确几何图形的数学题？FormalAnalyticGeo 用 CDL 形式语言和 SDF 渲染，造出了 7000+ 带标注的解析几何题目，误差不到 1%。

越南语推荐研究缺数据？ViHoRec 提供了 18K 条跨平台高质量交互，还附带了冷启动基准，方便你对比模型在稀疏场景下的表现。

Vercel 公开了 AI Gateway 的数据，能看到各模型在生产中的真实用量，适合做流量趋势分析。

Guillermo Rauch@rauchg11 个信源在谈原文

想给GitHub仓库自动打行业标签？这篇论文发布的数据集和管道精度高达97%，直接用RoBERTa或GPT-4.1就能复现，省去手动标注的麻烦。

这篇论文用264k个婴儿触觉片段做对比学习，发现触觉对视觉学习的贡献比想象中大，推荐给研究婴儿认知或对比学习的读者。

Meta把做饭的家伙都端出来了，代码和数据一起给，上手就能跑。

小互@imxiaohu原文

新数据集 BetXplain 专治社交媒体上的忽悠型赌博广告，带人工解释，能帮你研究怎么自动识别这种坏广告。

马拉地语有8300万使用者但标注数据稀缺，这个新数据集和MahaBERT模型基准很实用，适合做低资源语言NLP的朋友参考。

HuggingFace 马上要突破300万模型和100万数据集了，这说明开源AI有多火。看看这个数字，社区力量真强。

官方账号Clement Delangue@ClementDelangue原文

想做SAR与光学图像对齐研究？这个数据集用Umbra的VHR数据做了精细对齐，还带文本描述，直接拿去做多模态训练或评测。

法律AI研究者有福了！LOCUS提供了9,239个美国地方法规的机器可读语料，还附带了基于ModernBERT的分析工具，解决碎片化问题。

想做枪声分类或检测的朋友，这个 C3GD 数据集有 8000+ 现场样本、28 种枪和 16 种口径，比网上扒的数据干净多了。

想做青少年社交影响力检测？这个数据集有1021个文本和五方标注，还能跨语言用。

生态数据集，3D分割新基准

Hugging Face 联合创始人的提议直击开源 AI 在垂直领域的落地机会，建筑行业的开发者或研究者可以关注这个方向，看看能否用现有数据集推动创新。

官方账号Clement Delangue@ClementDelangue原文

做表格问答或时序预测的团队终于有了专门的数据集和框架——TimeFore用LLM+外部模型解决了LLM本身预测不准的痛点，做数据分析和AI应用的开发者可以直接参考其协作架构。