数据集

Hugging Face发布开源系统Grabette，旨在标准化记录机器人操作数据，为机器人学习研究提供高质量数据集。

研究人员针对新加坡国情，将开源语音大模型适配至当地警务等敏感领域，在四种官方语言任务中表现超越更大规模模型，同时构建了超过50万样本的多语言问答数据集。

研究者发现社交媒体中多图组合可能产生隐性毒性，并提出新数据集与检测模型MiShield，有效识别单图无害但组合有害的内容。

研究者发布SEFORA数据集，包含564份学生论文草稿和8240条教师批注，并推出UniMatch评估框架，揭示当前大模型在生成写作反馈时与教师实际批注存在显著差距。

研究团队构建了包含文本、图像和音频的学术论文多模态数据集，实验表明融合多模态信息能有效提升关键词提取性能。

研究者首次对3万亿token开源预训练语料库Dolma进行叙事特征分析，发现网络文本中存在连续的多维叙事结构，且叙事质量在不同数据源和主题间分布不均。

本研究系统梳理了全球35种手语的120个数据集，分析了模态失衡、标注粒度等关键挑战，并发布了标准化文档工具与公开代码库，为构建包容、鲁棒的手语技术提供统一基础。