Datasets
Fellow suit ce sujet depuis juin 2026 : 42 articles résumés en français, dont 7 jugés majeurs ou notables.
Toute l'actualité · 42 articles
Indic pretraining : 2,8 trillions de tokens et un pipeline ouvert de génération de données
NVIDIA, avec IIT Madras et AI4Bharat, annonce Nemotron-pretraining-Indic-v1, un corpus d'environ 2,8 trillions de tokens couvrant 22 langues indiennes, publié avec son pipeline de génération.
3DCodeVerse : explorer les mondes 3D comme du code
Un écosystème de recherche combine dataset de 2M de programmes 3D exécutables et harness multi-agents pour que des agents de code créent des contenus 3D éditables et vérifiables.
PrismaCoder : repousser les limites de l'intelligence de code multimodale ouverte via la synthèse de rubriques décomposées
Des chercheurs présentent PrismaForge, un pipeline de données fondé sur des rubriques synthétiques, et PrismaCoder-2M, un vaste jeu de données ouvert pour le code multimodal, ainsi que deux modèles associés.
Tev : passer à l'échelle les environnements agentiques longue durée avec des récompenses de progression denses
Tev-Gym, un jeu de 1 170 environnements vérifiés sur 7 domaines, et la méthode PPRS permettent d'entraîner Tev-27B, qui égale GPT-6 Astra et Claude Opus 5 à Pass@5 sur ALE-CM.
MexHat : un jeu de données vidéo pour la détection de discours haineux en espagnol mexicain
Un nouveau dataset multimodal vise à combler le manque de ressources non anglophones pour détecter le hate speech en contexte mexicain.
Show HN : un dataset de 307 personnages du Mahabharata avec gunas et logiques de décision
Un jeu de données Hugging Face répertorie 307 figures du Mahabharata, annotées selon leurs traits et schémas décisionnels.
ERCPMP-Gx : dataset endoscopique pour la polypose colorectale
Un nouveau dataset relie imagerie endoscopique, histopathologie et génomique pour classer les syndromes de polypose héréditaire.
MCR-Bench : benchmark dynamique pour la revue de code
Un nouveau dataset évalue la capacité des LLM à gérer la revue de code sur plusieurs tours et dans des scénarios réels.
BrowserForge : données d'agents web à grande échelle
Un framework génère des trajectoires d'interaction via des navigateurs parallèles pour entraîner des agents visuels.
LAION-BVD : un dataset vidéo ouvert de 10 millions d'heures pour le pré-entraînement multimodal
LAION publie 80 millions de vidéos annotées automatiquement, une ressource ouverte massive pour entraîner des modèles vidéo, audio et image.
EG-ARSA : un modèle vision-langage ouvert calibré par des experts pour l'audit de sécurité routière
Une équipe de recherche propose un pipeline de distillation calibré par des experts pour auditer la sécurité routière au Bangladesh à partir d'images.
ChildSafeAds : détection de contenus commerciaux sur YouTube
Un challenge évalue la détection de sponsors et de risques juridiques dans les vidéos pour enfants, associant transcript et métadonnées.
Pleias publie WTO-Text, un corpus textuel lié à l'Organisation mondiale du commerce
Le laboratoire Pleias met en ligne sur Hugging Face un jeu de données textuel dédié aux documents de l'OMC.
Finance Commons : corpus financier ouvert
PleIAs publie Finance Commons, un vaste corpus ouvert pour le LLM fine-tuning.
Toxic Commons : corpus pour la sécurité IA
Une collection de datasets dédiée à l'étude et à la détection des contenus toxiques.
HalluTruthQA-4K : corpus pour la détection d'hallucinations en arabe
Un dataset annoté de 4 000 instances QA arabe pour détecter les hallucinations, avec granularité fine et taxonomie hiérarchique.
Persian Pixel : un jeu de données OCR synthétique à grande échelle pour le persan
Un nouveau corpus de 343 000 paires image-texte vise à combler le retard de l'OCR pour la langue persane, complexe et sous-dotée en données.
TikStance : un dataset multimodal et hiérarchique pour l'analyse de positionnement sur TikTok
Un nouveau jeu de données combine vidéos et fils de commentaires TikTok pour étudier les prises de position politiques lors de l'élection américaine de 2024.
ViHoRec : Dataset de recommandation hôtelière vietnamienne
Un benchmark pour le cold-start avec un nouveau dataset contrôlé et privé.
PleIas lance CommonLingua-Train
Un vaste corpus multilingue pour l'entraînement de modèles IA.
Pleias publie SYNTH, un dataset synthétique open-source
Le laboratoire français dévoile un corpus de données synthétiques destiné à l'entraînement de modèles de langage, disponible sur Hugging Face.
Pleias publie Common Corpus, un vaste jeu de données ouvert d'entraînement
Le laboratoire français Pleias met à disposition Common Corpus, une collection massive de textes libres de droits pour entraîner des LLM.
ToxicCommons : un dataset pour détecter la toxicité
Pleias publie un dataset conçu pour analyser et réduire les contenus toxiques dans les modèles de langage.
Annotations pour le dataset HellaSwag
Publication d'annotations détaillées pour le benchmark HellaSwag par Pleias.
GoldenSwag : Pleias publie un nouveau jeu de données de référence
Le laboratoire français Pleias met en ligne GoldenSwag sur Hugging Face, sans détails contextuels supplémentaires disponibles.
Pleias publie CommonLingua, un nouveau corpus multilingue
Le lab français Pleias met en ligne CommonLingua sur Hugging Face, une ressource destinée à l'entraînement de modèles de langage.
MulTTiPop : un dataset multitrack pour la transcription automatique de musique pop
Un nouveau benchmark de 572 segments de pop music avec MIDI multitrack pour évaluer les modèles de transcription automatique.
Données pour les agents : une initiative open data de NVIDIA et Hugging Face
NVIDIA et Hugging Face s'associent pour publier des datasets ouverts dédiés à l'entraînement d'agents IA autonomes.
Classification sectorielle des dépôts GitHub via le système NAICS
Des chercheurs publient NAICS-GH, un corpus de 6 588 dépôts GitHub étiquetés par secteur industriel avec 97 % de précision.
Stanford EDGAR Filings Dataset : des documents SEC reconvertis en données d'entraînement longue portée
Un corpus ouvert de 152 milliards de tokens tiré des dépôts SEC, conçu pour le préentraînement des LLMs sur des documents financiers structurés.
Pleias publie SYNTH, un jeu de données synthétique sur Hugging Face
Le laboratoire français Pleias met en ligne SYNTH, un dataset destiné à l'entraînement ou au fine-tuning de modèles de langage.
Pleias publie Common Corpus, un vaste jeu de données ouvert pour l'entraînement de LLM
Un corpus massif de textes libres de droits, pensé pour entraîner des modèles de langage en toute transparence légale.
Pleias publie CommonLingua-Train, un jeu de données d'entraînement
Le laboratoire français Pleias met en ligne un nouveau dataset baptisé CommonLingua-Train sur Hugging Face.
SYNTH : Pleias publie une collection de données synthétiques d'entraînement
Le lab européen Pleias met en ligne SYNTH, une collection Hugging Face de jeux de données synthétiques destinés à l'entraînement de modèles.
GoldenSwag : un dataset de Pleias sur Hugging Face
Le lab Pleias publie GoldenSwag, un jeu de données disponible sur Hugging Face.
Pleias publie des annotations pour le benchmark HellaSwag
Un nouveau jeu de données d'annotations vient enrichir HellaSwag, benchmark classique d'évaluation du raisonnement de sens commun.
Pleias lance la collection GoldenSwag
Une nouvelle ressource dédiée à l'évaluation et à la validation de modèles.
Pleias publie la collection Common Artifacts
Pleias met à disposition une collection de datasets et d'artefacts pour l'entraînement de modèles.
Pleias publie Common Corpus, un vaste jeu de données ouvert pour l'entraînement de LLM
Le laboratoire français Pleias met à disposition une collection massive de textes libres de droits destinée à l'entraînement de modèles de langage.
Common Corpus : le plus grand corpus textuel ouvert
Une base de données géante publiée par PleIAs pour entraîner des LLM éthiques.
Pleias publie Finance Commons, un jeu de données financier ouvert
Le lab français Pleias met à disposition un corpus dédié à la finance, destiné à l'entraînement de modèles d'IA respectueux du droit d'auteur.
Pleias publie « Finance Commons », une collection de ressources dédiées à la finance
Le laboratoire français Pleias met en ligne sur Hugging Face un ensemble de jeux de données et modèles orientés finance.