这一里程碑表明高质量数据的获取和分享正在变得更加高效，对AI模型训练和开源生态的持续发展具有积极意义。
Hugging Face宣布其平台上公开数据集数量突破100万，总数据量达到PB级别，每天有数百万AI开发者下载、分析和训练模型。
值得注意的是，自智能体技术成熟以来，数据集增速显著加快，过去8个月新增50万个数据集，而达到首个50万耗时4年。业界普遍认为，更好的数据是让更多人自主构建AI而非依赖API的下一个关键瓶颈。
本条情报归属 AITOP「行业」核心追踪栏目。涉及核心实体与技术议题包括：数据集、开源/仓库、Hugging Face、智能体，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「Clement Delangue」（@ClementDelangue），经 AITOP 多维评分管线结构化提炼。
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。
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。
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。
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。
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。
MIT 这节课讲了下载别人的数据集时你悄悄接受了什么，CIFAR-100 那 891 张重复图的数字很能说明问题，还教你检查 Agent 抓数据的路径。
