NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，并同步开放用于生成该语料的 GPU 加速数据生成流水线。
推荐理由：NVIDIA 与 AI4Bharat 公开了 2.8 万亿 token 的印度语言预训练语料及生成流水线，读者可了解其数据配方与质量校验方式。
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。
推荐理由：读者可了解 9 亿单核苷酸变异预测数据集如何把 AlphaGenome 从单点查询扩展为全基因组资源。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
Google 发布基于 Gemini 的科研工具 Empirical Research Assistance（ERA），可搜索文献、编写代码、组合方法并评估结果，相关成果已发表于 Nature。
推荐理由：Google 把 ERA 从 Nature 论文推进到可申请使用的工具，读者可据此判断科研编码自动化的落地节奏。
NVIDIA 发布 Nemotron Post-Training Dataset V2，将英文推理数据翻译为法语、德语、意大利语、日语和西班牙语，共 600 万条多语言样本，数据集已在 Hugging Face 开放。
推荐理由：NVIDIA 公开了多语言推理数据集的构建与过滤细节，并给出配套 9B 模型的端侧部署参数。
Hugging Face 发布 ScreenSuite，一个面向 GUI Agent 的综合评测套件，统一整合了 13 个基准，覆盖感知、定位、单步动作和多步智能体四类能力。
推荐理由：Hugging Face 开源 GUI Agent 评测套件，统一 13 个基准并支持 Docker 本地部署，可据此判断视觉语言模型的智能体能力。
Hugging Face 的 LeRobot 团队与 Yaak 联合发布 L2D（Learning to Drive），称其为全球最大的开源自动驾驶数据集，包含 90+ TB 多模态数据、5000+ 小时驾驶记录，来自德国 30 座城市的 60 辆驾校车辆。
推荐理由：L2D 以 90TB 多模态驾驶数据和 LeRobot 训练管线开放，读者可据此判断端到端自动驾驶数据集的规模与可用性。
Hugging Face 发起 Open-R1 项目，计划系统重建 DeepSeek-R1 的数据与训练流程。DeepSeek 虽开放了模型权重，但未公开训练数据集和代码，Open-R1 将分三步复现：蒸馏高质量推理数据集复现 R1-Distill 模型、复现 R1-Zero 的纯 RL 流程、展示从 base model 到 SFT 再到 RL 的多阶段训练。
推荐理由：Hugging Face 公开了复现 DeepSeek-R1 数据与训练流程的三步计划，读者可了解开源推理模型补全路径。
Hugging Face 与 Intel Labs、UKP Lab 合作发布 SetFit，一个无需提示词的 Sentence Transformers 少样本微调框架。
推荐理由：原文给出 SetFit 的两阶段训练流程与 RAFT 基准对比，读者可据此判断少样本分类的可用性与成本。