SWE-rebench-V2：最大開放程式碼資料集
Nebius 發布 SWE-rebench-V2，這是全球最大開放資料集，用於訓練程式碼代理，包含超過 32,000 個可執行任務，涵蓋 20 種程式語言。還包括來自真實拉取請求的 120,000+ 任務，使用 LLM 集成過濾品質。同時提供技術報告和排行榜。
Search
Tag: #dataset24 results
📰
EU AI Act OpenRAG：用於 RAG 的結構化法律語料庫
一個全新的 EU AI Act 可下載語料庫，包含 933 個結構化法律區塊與 BGE-M3 嵌入，並整合於單一 SQLite 檔案中。該語料庫透過法律條文結構而非隨機字元視窗進行切分，顯著提升了檢索效能。
🔬
用於 AI 開發的全新開放多語言數據集
GitHub 發布了一個基於 CC0-1.0 授權的全新儲存庫層級數據集。該數據集匯集了來自 README、Issue 與 Pull Request 的多語言開發者內容，以支援 AI 研究。
🎨
全新 1 億張以上高品質圖文數據集 MONET 發布
MONET 是一個採用 Apache 2.0 授權的全新數據集，包含 1.049 億對高品質圖文數據。該發布同時提供了用於視覺化、檢索及訓練 T2i 模型的配套工具。
全球最大規模含觸覺數據集，為何吸引谷歌和眾多高校加入？
Daimon Infinit 是全球最大規模含觸覺的全模態物理世界數據集，已聯合發布。吸引谷歌及眾多高校參與。
590GB SEC EDGAR 資料集開源發布
Datamule、Teraflop AI 和 Eventual 在 Hugging Face 發布 590GB SEC EDGAR 資料集，包含 800 萬份申報文件和 430 億個 token。它提供免費存取已解析的財務報告如 10-K 和 10-Q，避開昂貴 API。資料使用 datamule-python 收集，並以 selectolax 和自訂程式庫解析。
GoodPoint：從作者回應學習建構性論文回饋
GoodPoint 彙整 19K 篇 ICLR 論文資料集，使用作者回應標註審稿意見，並以有效性和作者行動兩個維度定義回饋成效。它提出訓練配方，結合微調與偏好最佳化，使 Qwen3-8B 成功率提升 83.7%，在同尺寸 LLM 中創下 SOTA。專家人評研究證實對作者實用價值更高。
📰
釋出 2,000 萬印度法律案件數據集
超過 2,000 萬印度法院案件，含結構化中繼資料、引用圖譜 (followed/distinguished/overruled)、Voyage AI 嵌入 + BM25。涵蓋最高法院/高等法院/法庭；適用法律 NLP、GNN、RAG 評估、印度語言模型。API/批量 JSON/Parquet 匯出，公共領域。
Ai2 發布開放權重 MolmoWeb 視覺網頁代理
Ai2 發布 MolmoWeb，這是 4B 與 8B 規模的開放權重視覺網頁代理，附完整訓練堆疊與 MolmoWebMix 資料集，包含橫跨 1,100 多個網站的 30K 個人類任務軌跡。它僅依賴瀏覽器截圖運作，無需解析 HTML 即可產生推理動作。這為網頁自動化提供可審核的閉源 API 替代方案。
1.4億寶可夢玩家貢獻300億機器人數據集
1.4億寶可夢玩家免費貢獻300億高精圖像。該數據集訓練機器人實現厘米級導航精度。凸顯遊戲作為 AI 數據來源。