PaddleOCR 3.5和ERNIE-Image等新功能上线，支持文档转Markdown和浏览器OCR。社区活动如AICA公开课和黑客松持续推进，新增104个数据集，助力AI模型训练与应用。开发者可零门槛体验ERNIE-Image，提升文生图能力。

Privacy Filter 是 OpenAI 开源的双向标记分类模型，专门用于检测和屏蔽文本中的个人身份信息。该模型基于小型预训练架构，采用高效的片段解码方式。

刘壮教授在访谈中指出，AI领域的最大瓶颈是记忆，而非能力。他认为架构选择不如数据规模和计算能力重要，现有数据集的多样性低于预期。大语言模型在语言空间有世界模型，但在视觉空间尚未实现。尽管AI在低层次任务上表现良好，但在自主科研和复杂问题上仍需人类参与。

MathNet是一个包含超过30,000道数学竞赛题目的数据集，来自47个国家，旨在为AI研究者和全球学生提供训练资源。该数据集涵盖17种语言和143个竞赛，提供高质量的专家解答，帮助学生备战国际数学奥林匹克（IMO），并提升数学思维，尤其是在不同文化背景下的问题解决能力。

Spotify通过背景编码代理Honk简化了数据集迁移，节省了约10周的工程时间。团队利用Backstage和Fleet Management工具成功管理了1800个数据管道的迁移，尽管面临不同框架的挑战。项目强调了数据标准化和测试的重要性，以提高自动化迁移的成功率。未来，Honk将增强自我获取上下文的能力，进一步提升代码变更质量。

戴盟机器人发布了全球最大规模的全模态物理世界数据集Daimon-Infinity，涵盖触觉、视觉等多维信息，计划形成数百万小时的数据。该数据集将用于真实场景的物理交互，推动具身智能的发展，并已开源10000小时高质量数据，构建了外发式数据采集网络，形成完整的数据处理闭环。

戴盟机器人联合多家顶尖机构发布了全球最大的触觉全模态数据集Daimon Infinity，旨在提升具身智能的训练效率。该数据集包含触觉和视觉等多维信息，预计年内达到数百万小时，助力机器人在复杂环境中精准操作。触觉数据的引入显著提高了模型的训练效果，推动行业标准化和资源共享，加速具身智能的商业化进程。

浙大城市学院等团队构建了首个专用超声图像-文本数据集US-365K，解决了超声影像领域的数据缺口和语义模糊问题。提出的Ultrasound-CLIP框架通过结构化推理和双目标优化，提升了超声诊断的准确性和模型的泛化能力，相关成果已开源，为超声AI研究奠定基础。

ProText是一个用于测量长文本中性别化和误性别化的数据集，涵盖主题名词、主题类别和代词类别。该数据集旨在通过先进的语言模型探讨文本转换中的性别偏见和刻板印象，研究发现模型在缺乏明确性别线索时倾向于默认异性恋假设，揭示了系统性性别偏见。

MicroCoder项目由微软亚洲研究院与剑桥、普林斯顿联合推出，针对现代代码模型训练瓶颈，提出34条训练经验，显著提升模型性能。该项目包括新算法、数据集和评估框架，强调数据难度与训练动态的重要性，推动代码生成领域的研究进展。

大模型的发展凸显了推理数据的重要性，优质推理数据集支持复杂推理任务。HyperAI整理了多领域推理数据集，降低了使用门槛，促进科研与模型训练。

WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。ASR部分通过图像提示自然采集语音，TTS部分在录音棚中高质量录制，确保语音一致性。

洪水是常见且破坏性强的自然灾害，研究需依赖高质量的历史数据。Google Research 开源的 Groundsource 数据集，通过处理500万篇新闻，提取了260万条洪水事件记录，填补了传统数据库的不足，为全球洪水研究提供了新的数据来源。

Mistral AI于2026年2月开源了Voxtral Mini 4B Realtime 2602模型，支持13种语言的实时语音转录，延迟低于500毫秒，适合轻量化应用，并可在边缘计算单元上部署，提升语音识别的精度与效率。

mAceReason-Math是一个高质量的多语言数学问题数据集，支持强化学习与可验证奖励（RLVR）研究。该数据集包含来自AceReason-Math语料库的挑战性数学问题翻译，覆盖14种语言，每种语言超过10,000个样本，旨在提升多语言RLVR的研究和基准测试。

MetaClaw通过在线强化学习系统，使AI在与用户对话中自动学习和进化，无需GPU和数据集。用户只需简单配置，AI即可实时优化表现并生成新技能，降低了持续学习的门槛。

MOSS-TTS系列是MOSI.AI与OpenMOSS联合推出的多模型语音生成工具，克服了单一模型在复杂场景中的局限，支持高保真语音、对话和实时交互，适用于多种语言和风格切换。