★ 4
OpenDiscoveryTrace：评估AI科学家工作流的过程轨迹数据集
研究发布 OpenDiscoveryTrace，包含558条完整AI科学智能体轨迹，覆盖药物发现、材料科学、基因组学等124项任务，记录每步9字段的结构化过程信息。分析显示，仅看最终输出会掩盖行为差异：三家前沿模型成功率相近（84-89%），但 Claude Opus 4.6 每轨迹错误数是 GP…
arXiv cs.AI52 天前
#数据集
共 40 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
BoSS：18 万仿星器快离子模拟大规模基准数据集
研究团队发布仿星器模拟基准数据集 BoSS，包含 18 万个磁流体平衡态的导心模拟结果与轨迹，是首个大规模导心模拟数据集。论文设定生成建模与代理建模两类任务，展示机器学习加速仿星器设计的潜力，并指出长程轨迹预测与分布外生成是关键方向。
arXiv cs.LG2 天前
★ 3
DocSkill：面向多语言多跳文档问答的技能编排智能体框架
论文提出 DocSkill 智能体框架，用学习到的技能编排策略自适应选择、重访或跳过技能，并以有界蒙特卡洛树搜索离线生成监督数据用于 SFT 与 DPO。团队同时发布含 10 种语言、6 万问答对的 MMHop-DocBench 数据集。基于 Qwen3-VL-8B 的 DocSkill 在该基准…
arXiv NLP4 天前
★ 3
arXiv 发布拉丁语编码器 LAMB 及两个语料库
研究者推出基于 ModernBERT 架构的拉丁语编码器 LAMB，分两阶段在超 740 亿拉丁语 token 上预训练，并采用形态学驱动的掩码策略。同时发布 Acervus 与 Corpus Trinum 两个语料库，后者为首个拉丁语语义三元组数据集。在 17 个子任务中 LAMB 于 16 项…
arXiv NLP6 天前
★ 3
IBM 发布 ClariEdge 数据集，微调 LoRA 实现 RAG 查询澄清 96.6% 准确率
论文针对检索增强生成（RAG）中的模糊查询澄清问题，发布约 3900 条样本的 ClariEdge 数据集，包含需澄清的模糊查询与无需澄清的负例。实验显示轻量微调 LoRA 达到 96.6% 分类准确率，在分类与澄清生成质量上均超过多个大模型的提示基线。研究强调难负例是区分真模糊与伪模糊查询的关键…
arXiv cs.AI10 天前
★ 3
ToMStories 数据集发布：评测语言模型心理理论推理能力
研究者构建 ToMStories 数据集，包含约 6000 条合成叙事短文，考察模型对角色情绪、恐惧、动机等心理状态的推断。评测 13 个 1B 至 72B 开源模型发现，最大模型在多选题上接近人类，但开放式问题仍明显落后。研究提示合成数据可能高估模型理解真实人类的能力。
arXiv NLP13 天前
★ 3
HeRE：用 LLM 去噪知识图谱对齐构建希伯来语关系抽取基准
论文提出可扩展、语言无关的关系抽取数据构建方法，通过自然语言推理任务对知识库与文本的噪声对齐去噪，并比较五种去噪策略。结果显示少样本下多语言模型优于希伯来语专用模型，而专用编码器在 NLI 微调下仍有竞争力；母语提示效果不逊于英语提示。最优开源模型 Gemma-4-31B-it（F1 0.915）…
arXiv NLP13 天前
★ 3
ARIA：多智能体系统运行时检查与修复框架
论文提出 ARIA 框架，学习在多智能体执行过程中何时以及如何修复错误，避免局部错误扩散导致任务失败。研究收集了四个多智能体框架、六个基准、八种宿主模型上的 2.4 万余条轨迹，构建首个将失败轨迹与执行验证修复配对的大规模数据集（含 3953 对修复）。训练出的紧凑模型在事后与运行时修复中均表现良…
arXiv cs.AI16 天前
★ 3
ELARSpeech 发布 675 种低资源语言 3 万小时语音数据集
研究者发布 ELARSpeech，一个包含 30,202 小时语音、覆盖 675 种低资源语言的大规模多语言语音数据集，语料来自濒危语言档案库。实验表明该数据集可扩展 ASR 与 TTS 在长尾语言上的能力，伪标注无标签数据还能进一步提升效果。团队同时公开数据集、训练好的 ASR/TTS 模型及完…
arXiv NLP17 天前
★ 3
Market-1T 数据集发布，推动金融市场世界模型
论文发布 Market-1T 数据集，包含 2008 至 2025 年美国股票近一万亿条 1Hz 观测数据，并系统比较 18 种编码器训练策略。研究为 DINO-WM、V-JEPA 2、LeWM 等世界模型提供金融表征训练与评估基础。
arXiv cs.LG24 天前
★ 3
ResearchTrails 数据集从人类研究轨迹学习科学探索
论文提出ResearchTrails数据集，从Git仓库提交历史中提取人类研究决策轨迹，作为科学探索过程的代理。开发自动化流水线抽取方法、实验与消融的结构化轨迹，显示其包含论文无法揭示的中间决策信号。在检索人类经验作为外部技能与训练模型泛化到新研究决策等场景中验证了实用性。
arXiv cs.LG25 天前
★ 3
WROP数据集训练世界模型获得客体永久性
论文探究视频生成模型是否具备客体永久性，并发布 WROP 数据基础设施，包含 150 个认知科学启发的任务与六个认知类别。作者用 Blender 生成器随机化速度、光照、相机角度等参数，产出每任务超 1 万样本，并发布 150 万样本训练语料与 300 题考试。在盲测成对 Elo 研究中，其 16…
arXiv cs.AI37 天前
★ 3
GitHub挖掘出1325个AI辅助代码仓库列表
研究者从GitHub挖掘整理出1325个AI辅助开发的代码仓库数据集，并公开为CSV文件。该数据集可用于分析AI辅助编程的实际应用模式与代码特征。为研究AI对软件开发影响的学者提供了实证素材。
Hacker News – AI48 天前
★ 3
新框架评估大语言模型的元规范二阶社会推理能力
研究引入元规范推理框架，评估大语言模型在情绪评价和行为反应两个维度上的二阶社会推理能力，并发布NormReact数据集，包含450个规范违反场景。结果显示，六个模型普遍过度预测负面制裁，且与人类判断的一致性随社会距离增加而下降。这表明AI在规范敏感领域可能产生扭曲的社会调节图景，过度强调惩罚而忽视…
arXiv cs.AI53 天前
★ 3
SCAFFOLD：计算机科学图表问答数据集
SCAFFOLD是首个大规模结构化数据集，包含arXiv计算机科学论文的图表、标题、上下文、问答和思维链推理。提供157K、37K和12K三种规模，用于训练视觉语言模型理解图表。
arXiv cs.AI60 天前
★ 3
TutorTrace：AI编程教育中学习者行为状态数据集
TutorTrace数据集从IDE遥测数据实时捕获学习者行为上下文，涵盖480名学生的约18万事件和1.3万行为片段。研究提出行为分类法，使AI辅导系统能响应学习者的行为历史。初步评估显示行为感知提示减少了无独立工作的查询间隔，并预测查询行为和求助类型。
arXiv cs.AI65 天前
★ 2
FlightFinder 发布航空安全语料库，整合 128 个来源 27.9 万起事件
FlightFinder Occurrence Corpus 将来自 128 个来源代码的 279,485 起航空事件与 131,882 篇叙述文本统一到单一模式，采用有序阶梯键去重并保留来源溯源信息。自动合并带的抽样误合并率 95% 置信上界为 6.0%。语料库附带冻结快照与实时 API，可用于…
arXiv NLP2 天前
★ 2
★ 2
arXiv 发布跨声速机翼气动结构高保真数据集
研究发布面向跨声速机翼静气动结构分析的高保真多学科数据集，含 2471 个样本与 3 个分布外样本，参数覆盖机翼平面形状、马赫数、攻角、高度与结构载荷因子。基准实验显示机器学习模型预测气动量归一化均方根误差不超过 0.0309，翼盒失效分布误差不超过 0.1189。
arXiv cs.LG4 天前
★ 2
EventTyp 语料研究：LLM 缺乏常识难判事件典型性
arXiv 论文构建 EventTyp 与人工验证的 EventTypGold 两个语料，开展大规模人类与大模型实验，发现人类依据常识知识、话语强调与讽刺三条线索推断事件典型性。但在多数实验设置下，LLM 缺乏必要的常识知识，难以准确评估事件的一般典型性，因而无法遵循这些线索。
arXiv NLP5 天前
★ 2
尼泊尔政党竞选承诺数据集发布，Qwen3-8B 用于承诺抽取
该 arXiv 论文构建了首个尼泊尔政治文本金标准数据集（Cohen's kappa 0.777），用于自动抽取和分析选举承诺。研究对比了机器学习、深度学习和 LLM 三类方法：fastText-LSTM 准确率最高（0.914），Qwen3-8B 在少样本设置下宏 F1 达 0.848。成果集成…
arXiv NLP6 天前
★ 2
arXiv 发布法国最高法院民事裁判理由数据集，含 12 万条理由对
论文发布覆盖法国最高法院五个民事庭 2016-2025 年 86,464 份裁判、121,536 条「上诉理由-裁判理由」配对的数据集，并按法国既定分类体系标注理由类型。研究给出民事上告的描述性语法，展示哪些理由成立、引用哪些法条及其十年演变，并开源数据、代码与交互查询工具。
arXiv NLP9 天前
★ 2
arXiv 发布首个孟加拉语反男性仇恨数据集 Ben-Misandry
研究指出孟加拉语性别仇恨研究几乎只关注厌女，反男性仇恨完全空白。作者用 GPT-4.1 生成 5000 条六分类合成评论构建 Ben-Misandry 数据集，并基准测试经典与 Transformer 流程。BanglaBERT 与 XLM-RoBERTa 晚期融合达 96.6% 准确率，但作者强…
arXiv NLP12 天前
★ 2
PROPALIGN 提出基于多摘要的命题显著性评估方法
arXiv 论文提出 PROPALIGN，一种基于多份摘要的命题显著性评分估计方法，并发布配套数据集 PROPALIGNBANK，包含 3.5 万余条命题的 13.8 万条对齐数据。研究覆盖多种口语与书面体裁，发现直接让模型判断显著性会导致不一致，而分级、基于摘要的指标更稳定；单模型表现弱于人类，…
arXiv NLP17 天前
★ 2
混合运动学 GCN 与弹性 Transformer 用于印度手语识别
论文提出面向印度手语（ISL）的结构感知混合框架，用熵驱动 SVD 采样器动态提取关键帧，配合连续双位置编码与距离感知弹性 Transformer 保留自然手语节奏，并用运动学条件自适应 GCN 建模双手几何。作者构建了 120 类、9453 段视频的原生 ISL 数据集，框架取得 89.8% 准…
arXiv cs.AI18 天前
★ 2
arXiv 论文：不可靠叙述者框架低成本解释讽刺新闻
该研究提出以「不可靠叙述者」理论为框架，用开放权重模型生成澳大利亚与美国讽刺新闻的解释，作为前沿模型的低成本替代方案。结果显示模型对美国来源的讽刺修辞识别更准确，并贡献了一个新数据集与评测基准。
arXiv NLP20 天前
★ 2
僧伽罗语到英语机器翻译幻觉检测框架
研究者针对僧伽罗语到英语低资源翻译中的幻觉问题，提出无参考幻觉检测框架，构建了 4.5 万样本合成数据集。微调的 mDeBERTa-v3 在令牌级 F1 达 0.841，三信号集成在句子级 AUROC 达 0.970。基准测试显示八种 NMT 系统的检测触发率相差一个数量级。
arXiv NLP23 天前
★ 2
UniData：通用多模态指令生成流水线
论文提出 UniData 通用指令生成流水线，将简单用户需求扩展为多轮多模态指令，并借助任意到任意大模型生成数据、利用轮次相关性修正冗余推理流。团队还构建了覆盖九种模态、两万条目的 UniDataset，实验显示 UniData 在数据质量上达到 SOTA 并提升其他多模态模型能力。
arXiv cs.AI23 天前
★ 2
Alice 德语评分标准短答评分基准发布
研究发布 Alice，一个大规模、基于评分标准的德语自动短答评分数据集，含学习表现、知识要素与技能三个子任务。作者将评分标准式短答评分形式化为评分标准检索任务，并用从编码器模型到轻量 LLM 的多种模型做基准测试。结果显示 LLM 在零样本下尤其难以评估知识要素与技能。
arXiv NLP24 天前
★ 2
M²Weather：多站多变量天气预报基准
论文提出 M²Weather 基准，用于联合建模多站点与多变量天气预报。它通过质量控制与站点分层，收集法国、欧洲、全球三个空间尺度共 2809 个高质量站点、5 个物理耦合气象变量，并统一训练与评估协议。作者还设计即插即用适配器，在不重训模型的前提下补全缺失的站点或变量关系，对 16 个代表性模型…
arXiv cs.LG30 天前