AITOP

数据集

共 46 条相关 AI 资讯
8月25日
11:22
10:55
10:55官方账号arXiv cs.AI@Md Thamed Bin Zaman Chowdhury, Moazzem Hossain
针对低资源国家道路交通事故问题，提出EGD框架，将道路安全专家知识转化为视觉语言模型，实现可扩展的道路安全审计。BD-ARSA数据集包含21,947条图像审计记录，EG-ARSA模型在风险评估上优于其教师模型和Gemini-2.5-Flash模型。
论文EG-ARSA道路安全审计视觉语言模型
推荐理由：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。
原文
03:34
8月22日
01:08
8月19日
11:47
11:47官方账号Anthropic@AnthropicAI
71°
Anthropic发布了最新技术报告，详细介绍了其AI系统的设计原理。该公司同时开源了提示词和数据集，位于Hugging Face平台。技术报告可在Anthropic官网获取，包含系统架构和训练方法细节。
行业Anthropic技术报告开源
事件专题
推荐理由：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。
原文
8月18日
05:35
8月12日
18:35
18:35官方一手arXiv: Anthropic@Giuseppe Destefanis, Daniel Graziotin, Matteo Vaccargiu, Marco Ortu
GitSkills 数据集收录了 2026 年 7 月从 282,200 个公共仓库中采集的 3,797,117 个 SKILL.md 文件。这些文件按内容哈希去重后得到 1,877,981 个不同版本，每个版本附带完整文本、front matter、文件夹内容及仓库元数据。数据集以单个 SQLite 文件发布，支持研究 Agent 技能的采用、复用、结构、维护与安全问题。该研究指出技能文件缺乏中央注册表，主要通过复制文件夹传播。
论文GitSkillsAgentGitHub
推荐理由：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。
原文
8月6日
09:33
09:33官方账号arXiv cs.AI@Jacob Arndt, Debvrat Varshney, Philipe Dias, Nivedita Nukavarapu
该论文提出一个用于卫星图像篡改检测与定位的原型基准数据集，包含60张图像，其中30张经复制粘贴拼接或扩散模型修复等方式篡改，另30张为真实图像。每张图像都配有像素级真值掩码和采集元数据，支持定位性能评估。数据集已发布在HuggingFace平台，可免费下载。
论文卫星图像深度伪造数据集
推荐理由：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。
原文
7月23日
02:45
7月15日
10:59
10:59官方账号arXiv cs.AI@Ruoran Xu, Wending Gao, Qiufeng Wang
FormalAnalyticGeo 是一个可扩展的框架，利用 CDL（条件描述语言）作为形式中间表示，通过 SDF（符号距离场）引擎连接问题文本与精确图形渲染。框架包含四个 LLM 组件：Generator、Formalizer、Measurer 和 Quality Verifier，实现全自动闭环生成，无需人工标注。基于该框架构建的 AnalyticGeo7K 数据集包含超过 7,000 个经过验证的多模态问题，其中位相对误差为 0.70%，82.3% 的答案与精确符号解偏差在 5% 以内。论文表明该方法在解析几何问题生成上优于现有模板和生成模型。
论文FormalAnalyticGeoCDL解析几何
推荐理由：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%。
原文
10:55
10:55官方账号arXiv cs.AI@Minh Hoang Nguyen
ViHoRec 数据集包含来自 Booking.com、Traveloka 和 Ivivu 三个平台的 18,267 条用户-酒店交互记录，涉及 6,832 名用户和 560 家酒店。数据集采用可复现的构建流程，包括跨平台实体解析和定量质量控制，并通过 HMAC 假名保护隐私。在时序留一法冷启动分割下，BPR-MF 的 Recall@10 从 0.120（长历史用户）降至 0.065（短历史用户），而 UserKNN 整体表现最优，凸显了该数据集的稀疏和冷启动特性。所有数据已在 GitHub 开源。
论文ViHoRecBooking.comTraveloka
推荐理由：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。
原文
08:06
7月8日
12:14
12:14官方账号arXiv cs.AI@Kevin Xu, Alexander Quispe
论文发布NAICS-GH数据集，包含6588个GitHub仓库，每个标注了NAICS 2022的2位数行业代码。管道结合BAAI/bge-large-en嵌入、FAISS检索和GPT-4.1评分，从约137万仓库中筛选出31798个候选对，最终保留6588个高置信度标签（分数≥8）。在2421个人工验证样本上，标签精度达96.98%，Wilson 95%置信区间[96.23,97.59]。基准测试中RoBERTa-large在20%测试集上达到86.45% F1和86.35%准确率。数据集和代码以CC-BY-4.0和MIT许可证开源。
论文NAICSGitHubGPT-4.1
推荐理由：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。
原文
7月1日
10:55
10:55官方账号arXiv cs.LG@Max Whitton, Zecheng Wang, Puchen Liu, Quang Tuan Truong, Shengao Wang, Manaswi Yadamreddy, Oktay Ozel, Visista Jayanti, Saniya Sekhon, Hanna Samuel Tadesse, Lawrence Miao, Junjie Wang, Jiasen Lu, Chen Yu, Boqing Gong
该论文提出一种婴儿触摸事件的结构化编码系统，并构建了包含264k个两秒片段的触觉事件数据集。利用该数据集预训练的发展性模型揭示了触觉在婴儿视觉概念学习中的重要作用。研究量化了婴儿依赖触觉进行视觉学习的程度，为理解触觉在认知发展中的角色提供了依据。
论文触觉对比学习婴儿认知
推荐理由：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。
原文
6月30日
12:51
6月26日
10:21
10:21官方账号arXiv cs.LG@MSVPJ Sathvik, Parmitha Vangapadu, Nishit Rane, Sathwik Narkedimilli, Mark Lee, Akrati Saxena
研究人员提出了 BetXplain 数据集，包含从 Instagram 和 Reddit 收集的赌博广告，并手动标注了操纵性和欺骗性广告行为。每个标注附带人类提供的解释，支持可解释的检测方法研究。分析揭示了赌博广告常用说服策略及其对用户心理健康的潜在影响。该框架可用于开发浏览器插件和自动爬虫，辅助监管机构监测操纵性广告。
论文BetXplain社交媒体赌博广告
推荐理由：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。
原文
6月24日
11:52
11:52官方账号arXiv cs.LG@Hariom Ingle, Ronit Ghode, Ishwari Gondkar, Jidnyasa Harad, Raviraj Joshi
L3Cube-MahaPOS是首个大型人工标注的马拉地语词性标注数据集，包含32,354句新闻文本，遵循16标签Universal Dependencies方案。研究在HMM、CRF、BiLSTM、BiLSTM+CharCNN、MuRIL和MahaBERT-v2六类模型上进行了基准测试。最佳模型MahaBERT-v2达到88.67%的token级准确率和81.67%的宏F1分数。该数据集和模型检查点已开源，可助力马拉地语NLP研究。
AI模型L3Cube-MahaPOSMahaBERT-v2Marathi
推荐理由：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。
原文
6月23日
01:03
01:03官方账号Clement Delangue@ClementDelangue
HuggingFace 平台上的公开模型数量即将突破300万个，公开数据集也即将达到100万个。该平台已成为开源AI社区的核心枢纽，模型和数据集数量在过去一年快速翻倍。这一里程碑反映了开源AI生态的持续繁荣。
行业HuggingFace开源模型数据集
推荐理由：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。
原文
6月19日
11:36
11:36官方账号arXiv cs.AI@Solène Debuysère, Nicolas Trouvé, Nathan Letheule, Elise Colin, Georgia Channing
SARLO-80是一个基于Umbra卫星VHR SAR SLC数据构建的SAR-光学-文本对齐数据集，包含约2500个全球场景，覆盖72个国家257个地点。所有SAR数据被标准化为80cm斜距网格，并切分为1024×1024像素图块，与对应的高分辨率光学图像精确对齐。数据集提供119,566个三元组（幅度/复数SAR图块、对齐光学图块、三种长度的自然语言描述），支持跨模态检索和条件生成等基准测试。完整代码和划分已开源在Hugging Face Hub。
论文SARLO-80UmbraSAR
推荐理由：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。
原文
6月18日
10:57
10:57官方账号arXiv cs.LG@Denis Peskoff, Joe Barrow, Christopher Vu, Diag Davenport
LOCUS是美国首个大规模地方法规语料库，收录9,239个市县的法典。该数据集通过OCR处理了多种文档格式，覆盖3,144个县中的2,309个，覆盖多数美国人口。研究团队训练了基于ModernBERT的分类器，用于分析法规的模糊性和家长主义等维度。LOCUS-v1及其衍生模型已在Hugging Face上开源。
论文LOCUSLegal AI数据集
推荐理由：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。
原文
6月17日
10:40
6月16日
11:23
11:23官方账号arXiv cs.AI@Aleksander Szczęsny, Wiktoria Mieleszczenko-Kowszewicz, Maciej Markiewicz, Beata Bajcar, Tomasz Adamczyk, Jolanta Babiak, Grzegorz Chodak, Przemysław Kazienko
IMPACTeen 数据集包含 1021 个文本和 5100 条注释，覆盖人际、媒体和数字场景下的青少年社交影响。每个文本由青少年、家长、心理专家、传播专家和教师五个视角进行标注。数据集通过约束 LLM 生成后经人工编辑验证，确保场景真实性。它支持社会影响力检测、标注者分歧分析和跨语言建模等研究。原始数据为波兰语，并附有英语版本。
论文IMPACTeensocial influence青少年
推荐理由：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。
原文
6月15日
11:13
6月12日
01:36
6月11日
03:20
03:20官方账号Clement Delangue@ClementDelangue
Hugging Face 联合创始人 Clement Delangue 在 X 上发起讨论，询问是否应该尝试训练一个开源 AI 建筑模型。他指出 Hugging Face 拥有丰富的相关数据集，包括 HF、MLintern、transformers、trl 等。该提议引发了社区关注，获得 36 条评论、6 次转发、150 个赞和 4284 次浏览。这表明开源 AI 在建筑领域的应用潜力正受到关注，可能推动建筑行业智能化发展。
行业开源模型建筑行业Hugging Face
推荐理由：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。
原文
6月10日
09:06
09:06官方一手arXiv: DeepSeek@Jinghua Wang, Lily Jiaxin Wan, Sanjana Pingali, Scott Smith, Manvi Jha, Shalini Sivakumar, Xing Zhao, Kaiwen Cao, Deming Chen
精选
OpenRTLSet 发布了目前最大的全开源硬件设计数据集，包含超过 131,000 个多样化的 Verilog 代码样本。数据集整合了来自 GitHub 的 102k 模块、VHDL 翻译的 5k 模块以及可综合 C/C++ 翻译的 24k 模块，全部免费开放且无专有限制。研究团队利用推理模型 DeepSeek-R1 为每个代码样本生成了对应的自然语言描述，可用于微调 Qwen、Granite 等语言模型以生成 Verilog 代码。实验还探索了 Verilator 生成的 C++ 文件作为额外上下文、INT4 与 BF16 量化技术以及 7B-32B 参数模型间的性能差异。结果表明，开源方法在硬件设计任务上能达到甚至超越专有方案，为可访问的研究和商业应用奠定了新基础。
论文硬件设计Verilog数据集
推荐理由：硬件设计领域终于有了大规模开源数据集，做芯片验证或 RTL 生成的团队可以直接用这 13 万样本微调模型，省去自己爬取和标注的麻烦。建议做 EDA 工具或 AI for Hardware 的开发者点开看看。
原文
6月3日
16:05
16:05Ate-a-Pi@svpino
Bigset 是一个开源工具，用户只需描述所需数据，即可自动生成结构化数据集。它通过编排智能体搜索网络，并派发子智能体并行抓取数据，最终输出可下载的 CSV/JSON 文件。例如，输入“亚马逊上所有徕卡镜头”或“京都徕卡门店及评分”，即可获得整理好的数据。该工具底层调用 TinyFish 的免费搜索与抓取 API，支持定时刷新和自托管。对于需要快速收集结构化信息的开发者、数据科学家或研究者，Bigset 提供了一条低代码、高效率的路径。
AI产品开源/仓库数据集智能体
推荐理由：Bigset 解决了手动收集和整理网络数据的高成本问题，适合需要快速获取结构化数据集的开发者、数据科学家或研究者，直接输入自然语言就能拿到结果，值得一试。
原文
12:21
12:21IT之家（博客/媒体）
精选
智元机器人开源了行业首个聚焦物理交互的具身数据集 AGIBOT WORLD 2026 第二期“多样交互”。该数据集系统记录了机器人与真实物理世界之间的复杂、高密度、非理想交互过程，旨在补齐当前世界模型训练中缺失的真实物理交互数据。它将具身智能的数据范式从“学习成功动作”推进到“理解完整的物理分布”，对世界模型、神经仿真器、物理感知等研究至关重要。目前数据集已在 Hugging Face 开放下载。
AI模型具身智能开源/仓库数据集
推荐理由：做具身智能或世界模型研究的团队终于有了真实物理交互数据，不再是模拟器里的完美动作——补齐了训练的关键短板，搞机器人的建议直接去 Hugging Face 下载。
原文
6月2日
12:03
12:03官方账号arXiv cs.LG@Zhensheng Wang, Xiaole Liu, Wenmian Yang, Kun Zhou, Yiquan Zhang, Weijia Jia
现有表格问答系统多聚焦于历史数据查询，无法进行面向未来的数值预测。为此，研究者提出了新任务——开放域表格问答的未来数据预测与推理，并构建了首个基于房地产数据的时序预测与推理数据集ODTQA-FoRe。该任务面临历史数据精准检索、LLM预测能力不足、多样化查询标准化回答等挑战。为解决这些问题，团队提出了TimeFore框架，将问题分解为检索器、预测器和分析器三个协作角色，分别负责SQL数据获取、外部时序模型调用和结果综合。实验表明，TimeFore在预测准确性和回答一致性上显著优于基线方法。
论文表格问答时序预测LLM智能体
推荐理由：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。
原文
10:20
10:20官方账号Clement Delangue@ClementDelangue
精选
Hugging Face 联合创始人 Clement Delangue 在 X 上分享，他仅用不到 1 分钟就将一个 68TB 的数据集克隆到自己的私有训练存储桶中，而本地磁盘只有 4TB。这得益于 Hugging Face 的基础设施优化和 xet 去重技术。该功能让用户无需下载完整数据集即可直接使用，大幅节省时间和存储空间。对于需要大规模数据集的 AI 训练团队来说，这是一个效率提升的利器。
AI产品Hugging Face数据集克隆
推荐理由：做大规模 AI 训练的团队终于可以告别下载整个数据集的痛苦——68TB 数据集 1 分钟克隆到私有存储，建议所有需要管理海量数据的开发者点开看看。
原文
5月31日
01:42
5月30日
08:48
08:48官方一手marktechpost@Sana Hassan
精选72°
AgentTrove 是目前最大的开源智能体交互轨迹数据集，包含 170 万条 ShareGPT 格式的记录。本文提供了一份详细的 Python 教程，演示如何在不完全下载的情况下流式读取数据集、标准化智能体对话轮次、提取命令、分析轨迹，并最终将成功的交互轨迹导出为干净的 SFT 微调数据集。这对于需要高质量智能体训练数据的开发者来说非常实用。
技巧智能体数据集SFT 微调
推荐理由：做智能体微调的团队终于有了大规模、可流式处理的开源轨迹数据，不用再自己爬取或合成。想快速上手构建 ShareGPT 格式 SFT 数据集的开发者，这篇教程可以直接照着跑。
原文
5月29日
11:06
11:06官方账号arXiv cs.AI@Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal, Michael Jang, Michael Poli, Juan Carlos Niebles, Justin Johnson, Jiajun Wu, Li Fei-Fei
精选72°
斯坦福大学发布GPIC（Giant Permissive Image Corpus），一个包含约28万亿像素、1亿训练样本的开放许可图像数据集。所有图像均采用宽松许可，可自由用于研究和商业用途，并经过安全过滤和去重处理。数据集托管在Hugging Face上，附带基准测试协议和像素空间流匹配的参考基线。这为视觉生成模型的可扩展研究提供了稳定、大规模且合规的数据基础。
论文视觉生成数据集开放许可
推荐理由：做视觉生成模型训练的研究者终于有了一个大规模、开放许可、可直接商用的数据集，不用再为版权和合规问题头疼。建议做图像生成、扩散模型或流匹配的团队直接下载使用。
原文
5月28日
22:11
5月27日
10:34
10:34官方账号arXiv cs.AI@Xintong Hu, Xuhong Huang, Jinyu Zhang, Yutong Yao, Yuchong Sun, Qiuyue Wang, Mingsheng Li, Sicheng Xie, Yitao Liu, Junhao Chen, Yixuan Chen, Yingming Zheng, Shuai Bai, Tao Yu
精选72°
现有机器人数据集通常只提供粗粒度的目标级语言描述，缺乏执行细节（如活动臂、接近方向、接触区域），限制了策略的可操控性。FineVLA 提出了一个开放框架，包括数据构建工具、细粒度数据集 FineVLA-Data（47,159 条轨迹）、基准测试、专用 VLM 标注器和可操控策略。实验表明，细粒度监督不仅不牺牲目标级成功率，还能提升 1.4-8.1 个百分点，且与粗粒度指令互补，最佳混合比例（FG:Raw=1:2 至 1:1）在仿真和真实场景中均取得最高性能。细粒度监督在姿态、颜色和接近方向等关键因素上带来最大真实世界增益，建议用细粒度语言补充目标级指令。
论文VLA模型细粒度指令机器人策略
推荐理由：做机器人策略学习和 VLA 模型的研究者终于有了可用的细粒度数据框架——FineVLA 不仅开源了 47K 条验证轨迹和基准，还证明了细粒度指令能显著提升操控精度，做双臂操作或仿真迁移的团队可以直接用。
原文
5月22日
22:53
22:53官方账号Clement Delangue@ClementDelangue
CommonCrawl 公开推荐并使用 Hugging Face Buckets 来管理大型且不断演变的训练数据集。Hugging Face Buckets 是一种存储解决方案，专为处理私有模型或数据集而设计。该工具旨在简化大规模数据管理流程，提升效率。Hugging Face 创始人呼吁用户尝试并反馈意见。
AI产品数据集存储CommonCrawl
推荐理由：CommonCrawl 的背书说明 Hugging Face Buckets 在大规模数据管理上靠谱，做 NLP 或预训练数据处理的团队可以直接试试，省去自己搭存储的麻烦。
原文
07:40
07:40mem0@mem0ai
Mem0 宣布启动 AGENTRUSH，这是一场为期 7 天、仅限 AI 智能体参与的竞赛。智能体需将记忆写入共享项目，并根据有多少其他智能体将其记忆检索为最高结果来计分，全程无人类评委。每日获胜者获得 1 个月 Mem0 Pro（价值 249 美元），每周获胜者获得 3 个月（747 美元）。7 天后，Mem0 将发布完整数据集，记录 AI 智能体集体认为值得记住的内容，这是前所未有的数据。智能体可通过 mem0.ai/agentrush 加入竞赛。
AI产品智能体记忆系统竞赛
推荐理由：这是首个纯 AI 智能体间的记忆竞赛，做智能体开发或研究记忆机制的团队值得关注——它直接测试智能体在无人类干预下的协作与记忆价值判断能力，结果数据集可能成为未来智能体记忆研究的基准。
原文
5月21日
10:07
10:07官方一手arXiv: DeepSeek@Tianxiang Xu, Xiaoyan Zhu, Xin Lai, Xin Lian, Hangyu Cheng, Jiayin Wang
精选
现有软件缺陷检测研究缺乏针对生物信息学软件的专用数据集，导致模型在该领域表现受限。研究者推出了BioDefect，这是首个专为生物信息学软件缺陷检测设计的数据集，包含完整源代码仓库，保留了缺陷代码的真实上下文信息。该数据集解决了标签不一致和数据泄露问题，确保高质量和实验可靠性。在包括DeepSeek-R1在内的9个语言模型上的评估显示，BioDefect相比现有数据集平均F1分数提升29.61%至38.04%。这项工作填补了生物信息学软件缺陷检测的研究空白，为提升该领域软件质量保障提供了新方向。
论文缺陷检测生物信息学数据集
推荐理由：做生物信息学软件质量保障的团队终于有了专用数据集——BioDefect 比通用数据集 F1 提升近 40%，做缺陷检测研究的可以直接用它来训练和评估模型。
原文
08:00
5月20日
15:54
15:54官方账号arXiv cs.AI@Chuanyang Jin, Binze Li, Haopeng Xie, Cathy Mengying Fang, Tianjian Li, Shayne Longpre, Hongxiang Gu, Maximillian Chen, Tianmin Shu
精选
现有AI对话数据集仅记录用户说了什么，但忽略了用户在想什么。ThoughtTrace是首个大规模数据集，包含1,058名用户、2,155次对话、17,058轮交互和10,174条思维标注，覆盖20种语言模型。研究发现，用户的思维与消息内容在语义上截然不同，前沿LLM难以从上下文中推断，且思维内容多样、与对话阶段相关。该数据集可用于改进用户行为预测和训练个性化助手，为构建更理解用户潜在目标的AI系统奠定基础。
论文数据集用户思维对话AI
推荐理由：做对话AI研究和产品开发的团队，终于有了一个能捕捉用户真实想法的数据集——ThoughtTrace帮你理解用户为什么发那条消息、对回复的真实感受，值得用来改进助手对齐和个性化。
原文