#数据集

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。

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。

官方账号Clement Delangue@ClementDelangue原文

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。

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。

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。

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。

向阳乔木@vista8原文

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。

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。

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。

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。

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。

Ate-a-Pi@svpino原文

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。

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@omarsar0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@AnthropicAI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@rauchg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。