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。

研究人员提出了一种分布式跨通道分层聚合方法（D-CHAG），有效解决了多通道数据集的内存瓶颈和计算效率问题。该方法在高光谱成像和天气预测任务中表现优异，内存占用降低75%，吞吐量提升超过2倍。

文章讨论了具身智能的研究进展，强调高质量数据集在模型训练中的重要性，并推荐了TongSIM-Asset、OmniRetarget和InternScenes等数据集，以推动具身智能的发展与应用。

Vaex是一个高性能的Python库，专为处理超大数据集而设计。它通过外存处理和延迟计算，避免将整个数据集加载到内存中，实现快速分析，特别适合处理超过1GB的大数据。

黑森林实验室发布的FLUX.2-klein-4B模型，通过步数蒸馏实现亚秒级推理，显存需求仅13GB，支持多种生成模式，提升了AI图像生成的实时交互能力。

微软团队于2025年12月开源TRELLIS.2，旨在通过单张图像生成高质量3D资产，简化建模流程。该项目支持多种分辨率，提升几何细节和纹理一致性，适用于3D内容制作与创意探索。