datasets · AI news

Chinese contentGHAgentCI 数据集发布：从 GitHub Actions 历史中挖掘编码智能体调用记录

搞智能体工程的朋友可以看看：研究团队从 6K+ 仓库里挖出 15K+ 条 CI 工作流历史，专门追踪编码智能体在 GitHub Actions 里的用法，抽取工具 cai-miner 开源，准确率验证到 96% 以上。想做智能体与 CI 集成研究或评估的项目直接用得上。

#GitHub Actions #cai-miner #coding assistants #CI/CD

Event

arXiv cs.AI@Daniel Ogenrwot et al. (4)Source

Models BuildersSelected05:54

LMArena open-sources two web development evaluation datasets

Preference data of this scale for web app generation is scarce, and the pairing of subjective preference labels with verified functional requirements gives training and evaluation teams two complementary signal types. Model developers working on coding agents can benchmark against human judgment rather than proxy metrics. Comparison with existing web-dev benchmarks becomes straightforward since both datasets and the accompanying paper are public.

#LMArena #ArenaWebdevPreferences #ArenaWebdevCorrectness #open-source models

lmarena.ai@lmarena_aiSource

Papers Builders11:15

Chinese content教育知识图谱驱动的大规模语料 WoW 发布，覆盖 LLM 全生命周期训练

中文教育语料老是被吐槽碎、乱、缺体系，这批人用知识图谱当骨架重建了一遍，还开源了检索平台。做中文模型训练或垂直领域数据构建的可以看看他们的组织思路，比自己乱爬数据靠谱。

#WoW #knowledge graphs #datasets #fine-tuning

arXiv cs.AI@Tianze Sun et al. (3)Source

Industry Builders02:36

Chinese contentHugging Face 开发者突破 2000 万，托管数据达 300PB

Hugging Face 用户破 2000 万、托管量到 300PB，一周新增 9PB，10 月 DAU 和收入都是历史最高。做开源模型或 agent 训练数据的人可以看看这个生态的体量，自己放数据集时也心里有数了。

#Hugging Face #open-source models #datasets

Official accountClement Delangue@ClementDelangueSource

Papers Builders15:18

Chinese contentLUCQUE：魁北克肺癌筛查数据集，支持可靠的 AI 评测

搞肺癌筛查 AI 的朋友可以看看：魁北克团队放出了 1,678 例 LDCT 扫描加专家标注的公开数据集，标注量比现有公开数据集都大。亮点是 model-to-data 访问机制，数据不出门，代码上门跑，做模型对比评测方便多了。

#LUCQUE #medical imaging #datasets

arXiv cs.AI@Johanna Topalis et al. (10)Source

Papers Builders12:36

Chinese contentChannels4World：面向无线基础模型的环境级数据集发布

做无线通信和信道建模的人可以看看这个数据集。10万个室外射频场景、29TB 数据，覆盖 3.5 和 7 GHz 两个频段，专门为训练无线基础模型设计。论文还验证了场景多样性对泛化的作用，想做跨部署环境泛化的团队用得上。

#Channels4World #datasets #RF

arXiv cs.LG@Joonkyu Jang et al. (7)Source

Papers Builders13:06

Chinese contentUCR 时间序列分类基准遭审计：多个数据集任务与原始用途不符

有人把 UCR 这个 TSC 标准基准逐个数据集扒了一遍，发现不少任务的原始用途被改掉了。跑基准刷分前建议先看这份审计。

#UCR #Time Series Classification #benchmarks #datasets

arXiv cs.LG@Omar Swelam et al. (5)Source

Papers BuildersSelected22:19

MIT 6.S950 Course Notes Cover Outsourced Data Risks in AI Agents

The non-obvious point is that when an AI agent scrapes or filters data, it silently makes coverage decisions that would normally require a human's judgement, so inherited bias compounds invisibly. Practitioners building RAG pipelines or training data collections in Southeast Asia can use the four-question checklist — population, prediction target, deployment shift, record definition — to audit datasets before use. The C4 versus FineWeb-Edu comparison shows swapping filters only changes what gets excluded, not exclusion itself.

#MIT #datasets #CIFAR-100 #ImageNet

Event

shao__meng@shao__mengSource

Papers Builders11:51

Chinese contentTherapy-FIS 数据集发布：用多模态信号自动评估心理咨询师人际技能

心理咨询师的能力评估一直靠人工打分，又贵又难规模化。这个数据集首次公开了 890 段带评分的咨询师视频，想做情感计算或多模态评估的可以看看。

#Therapy-FIS #multimodal #datasets #mental health

arXiv cs.AI@Qijian Zheng et al. (7)Source

Papers Builders10:51

Chinese contentAceAction 数据集发布：面向 3D 游戏环境的分层视觉-语言-动作学习

一个拿 3D 游戏录像训练智能体的数据集，把任务拆成子目标再对齐键鼠操作，500 条轨迹审核通过率 95.8%，做 VLA 研究的可以看看。

#AceAction #datasets #VLA

arXiv cs.AI@Kailing Li et al. (8)Source

How-to Builders23:01

Chinese contentHugging Face 上的 Reddit 全量数据集：109GB 到 292GB，从 2005 年开始

顺着 Hacker News 数据的思路，有人挖出了 Hugging Face 上的 Reddit 全量数据，2005 年至今都有，做社媒分析或出海选题的可以看看，就是 109GB 起步，先备好硬盘。

#Hugging Face #Reddit #datasets #going global

向阳乔木@vista8Source

How-to Builders14:38

Chinese content基于 HackerNews 数据的书籍推荐网站 hackerbooks 上线

向阳乔木用 Hugging Face 上那份 12G 的 HackerNews 数据集做了个找书网站，能直连 zlib 下载，还挂了 Goodreads 和豆瓣书评，爱读书的可以收藏。

#HackerNews #Hugging Face #hackerbooks #datasets

向阳乔木@vista8Source

How-to BuildersMulti-source14:29

Chinese content用 HuggingFace 上 12G 的 HackerNews 数据集做数据网站

有人发现 HuggingFace 上有 12G 的 HackerNews 数据集，已经用它做了书库、生意案例库等四个网站，你也拿去玩玩。

#HackerNews #HuggingFace #datasets #indie development

Event

向阳乔木@vista8Source

Papers11:38

Chinese contentArSciKids：面向小学科学的阿拉伯语课程对齐数据集发布

做阿拉伯语教育 NLP 的可以看看，999 条科学实验加 2167 道选择题，还附了 10 个开源模型的 LoRA 微调评测结果，即将开源。

#ArSciKids #LoRA #low-resource languages #datasets

arXiv cs.LG@Taghrid Housari et al. (6)Source

Papers Builders13:04

Chinese contentGoogle 发布 MTG-AD 数据集：评估多模态模型生成内嵌音频描述

Google 放出一个 36 小时视频的音频描述数据集，专门测模型生成的旁白能不能塞进视频静默间隙，盲人用户实测说很有用。

#MTG-AD #MLLM #accessibility #datasets

arXiv cs.AI@Subhashini Venugopalan et al. (8)Source

Papers Builders10:02

Chinese contentMEV：面向长镜头多事件视频生成的数据集

做视频生成的朋友可以看看这个 MEV 数据集，专门针对一个长镜头里连续多个事件的场景，带时间边界标注，比常见的单事件短片数据集更对口。

#MEV #video generation #datasets #text-to-video

arXiv cs.AI@Peiyuan Zhu et al. (7)Source

Papers Builders09:09

Chinese content微调 BERT 分析奥地利议会演讲：联合执政党发言风格趋同

有人拿 BERT 分析了奥地利议会 22 年的演讲，发现联合执政的政党说话越来越像，退党议员也是换了党才改口风。

#BERT #NLP #datasets

arXiv cs.AI@Sarah Sulollari et al. (3)Source

Products Builders01:55

Chinese content个人数据交易平台上线：打包数据集、定价、卖给 AI 公司

有人做了个数据买卖市场，你把数据打包定价上传就能卖，AI 公司会来买，想搞副业的可以看看。

#datasets #training data

Ate-a-Pi@svpinoSource

Papers Builders17:48

Chinese contentUkrMeme：用视觉语言模型检测乌克兰梗图中的说服技巧

乌克兰团队把 200 张战时梗图做成了带说服技巧标注的数据集，还测了各家视觉语言模型靠不靠得住，做内容审核或多模态研究的朋友可以看看。

#UkrMeme #multimodal #vision-language models #datasets

arXiv cs.AI@Nazar Andrushko et al. (3)Source

Products BuildersMulti-source00:57

Chinese contentVoice Arena 语音数据集 Monsoon 发布，孟加拉语 WER 微调后降至 7.65%

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。

#Monsoon #Voice Arena #Whisper #ASR

Event

elvis@omarsar0Source

Papers Builders73°03:10

Chinese contentSWE-chat v2 数据集发布

Stanford 团队发布了 SWE-chat v2，包含 23 万条真实开发者与 AI 编程代理的交互数据，是研究 AI 编程助手的重要资源。

#SWE-chat #HuggingFace #coding assistants #datasets

Stanford AI Lab@StanfordAILabSource

Models BuildersSelected73°23:58

Monsoon speech dataset cuts Telugu WER from 92.7% to 16.1%

The takeaway is that low-resource ASR quality can be bought with better data curation rather than bigger models, since a mid-size Whisper checkpoint beat Gemini 3.1 Pro on Telugu purely through fine-tuning. Teams building speech products for Indic and other under-served language markets can use this dataset-first approach instead of waiting for larger architectures. Keeping noisy audio in training, with DNSMOS-based stratification, is the transferable technique.

#Whisper #Monsoon #speech recognition #low-resource languages