แท็ก

#dataset

3 บทความ

LAION ปล่อยชุดข้อมูลวิดีโอเปิด 10 ล้านชั่วโมง — BVD ที่กลั่นจาก URL 1.3 พันล้าน แต่ติดป้าย "วิจัยเท่านั้น" และภาระทางกฎหมายตกที่คนดาวน์โหลด
งานวิจัย

LAION ปล่อยชุดข้อมูลวิดีโอเปิด 10 ล้านชั่วโมง — BVD ที่กลั่นจาก URL 1.3 พันล้าน แต่ติดป้าย "วิจัยเท่านั้น" และภาระทางกฎหมายตกที่คนดาวน์โหลด

LAION เปิด LAION-BVD ชุดข้อมูลวิดีโอเปิดขนาด 10 ล้านชั่วโมง กลั่นจาก URL 1.3 พันล้านรายการบน CommonCrawl เหลือวิดีโอที่โหลดได้จริง 80 ล้านไฟล์ พร้อมคลิปติดแคปชัน 55 ล้านคลิปและเฟรม 300 ล้านภาพ เปเปอร์ขึ้น arXiv 25 ส.ค. โมเดล ViCLIP ที่เทรนบนชุดนี้ชนะ InternVid สูงสุด 2.1 จุด — แต่ใบอนุญาตเป็น research-only และตัวไฟล์วิดีโอต้องขอสิทธิ์เข้าถึง

· อ่าน 7 นาที
Open ASR Leaderboard รับภาษาจากซีกโลกใต้เป็นครั้งแรก — ชุดทดสอบฮินดีและอังกฤษอินเดีย 4,888 ผู้พูด ที่ออกแบบมาให้ WER ตัวเดียวโกหกไม่ได้
งานวิจัย

Open ASR Leaderboard รับภาษาจากซีกโลกใต้เป็นครั้งแรก — ชุดทดสอบฮินดีและอังกฤษอินเดีย 4,888 ผู้พูด ที่ออกแบบมาให้ WER ตัวเดียวโกหกไม่ได้

28 ส.ค. 2026 Hugging Face และ Voice Arena เพิ่มชุดทดสอบ Monsoon hi-IN และ en-IN เข้า Open ASR Leaderboard ทำให้ฮินดีเป็นภาษาอินดิกแรกบนแท็บ multilingual ที่ก่อนหน้านี้มีแต่ภาษายุโรป จุดสำคัญไม่ใช่จำนวนชั่วโมง (รวมกันแค่ 17 ชม.) แต่คือ 4,888 ผู้พูดจากหลายร้อยอำเภอ พร้อมเมทาดาทา 12 ช่องต่อคลิป และรีเฟอเรนซ์ฮินดีที่เป็น lattice ของสะกดที่ยอมรับได้

· อ่าน 7 นาที
FineBooks: Hugging Face + EleutherAI วัด OCR โอเพนซอร์ส 14 ตัวกับหนังสือเก่า — รุ่น 0.9B ทำได้ 96.9% ไล่บี้รุ่น 8.3B
งานวิจัย

FineBooks: Hugging Face + EleutherAI วัด OCR โอเพนซอร์ส 14 ตัวกับหนังสือเก่า — รุ่น 0.9B ทำได้ 96.9% ไล่บี้รุ่น 8.3B

10 ส.ค. 2026 Hugging Face จับมือ EleutherAI ปล่อย FineBooks — ชุดทดสอบ 2,165 หน้าจากหนังสือพิมพ์เก่าพร้อมคำตอบที่มนุษย์ถอดไว้ แล้ววัด OCR โอเพนซอร์ส 14 ตัว ผลคือโมเดลเล็กระดับ 1B ตามหลังรุ่นใหญ่แค่ไม่ถึงจุดเดียว

· อ่าน 6 นาที