#数据集
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。
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。
Hugging Face 将存储与训练无缝集成，管理模型和数据集的团队可以直接在平台上完成从存储到训练的全流程，省去多平台切换的麻烦。
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。
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。
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。
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。
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。
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。
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。
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。
做文生图研究的团队终于有了一个大规模、去重、重新标注的开源数据集，可以直接用于训练和复现实验，建议点开看看数据集和代码库。
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。
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。
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。
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。
Karpathy 的加入可能让 Anthropic 更开放，关注开源模型和工具的开发者值得留意后续动作。
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。
医疗AI开发者终于有了一个能真正测试长期记忆能力的基准——MediLongChat让跨会话推理变得可评估，做医疗对话系统的团队建议直接拿来跑跑看。
做工业检测或产品分拣的团队，终于有专门针对混合物体场景的计数数据集了——用自动生成流水线解决标注难题，直接训练就能让模型在真实场景中MAE降20%，值得一试。
做6G/5G移动性优化或AI-Native网络研究的团队，终于有了真实部署数据来训练模型，比仿真数据靠谱得多，建议直接下载使用。
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。
UFO数据集作为非传统视觉数据资源，为CV研究者提供了探索异常检测、低置信度场景的新材料，有助于推动AI在开放世界感知中的鲁棒性研究。