Récemment, une équipe de recherche issue de plusieurs institutions scientifiques chinoises a publié en grande pompe Infinity-MM, un ensemble de données multimodales à très grande échelle, et a entraîné un modèle d'IA performant, Aquila-VL-2B, basé sur cet ensemble de données. Cette percée apporte une nouvelle dynamique au développement de l'IA multimodale. L'ensemble de données Infinity-MM est d'une taille impressionnante, comprenant quatre grandes catégories de données : 10 millions de descriptions d'images, 24,4 millions de données d'instructions visuelles générales, 6 millions de données d'instructions de haute qualité sélectionnées, et 3 millions de données générées par G

Récemment, une équipe de recherche issue de plusieurs institutions chinoises a créé avec succès l'ensemble de données "Infinity-MM", l'un des plus grands ensembles de données d'IA multimodales publiques à ce jour, et a simultanément entraîné un nouveau petit modèle aux performances exceptionnelles : Aquila-VL-2B. Cet ensemble de données comprend principalement quatre grandes catégories de données : 10 millions de descriptions d'images, 24,4 millions de données d'instructions visuelles générales, 6 millions de données d'instructions de haute qualité sélectionnées et 3 millions de données générées par GPT-4 et d'autres modèles d'IA.

Dans une étude récente, l'équipe de recherche d'OpenAI a présenté MLE-bench, un nouveau benchmark visant à évaluer les performances des agents d'IA dans le domaine de l'ingénierie des machines learning. Cette étude se concentre particulièrement sur 75 compétitions d'ingénierie des machines learning provenant de Kaggle, afin de tester les multiples compétences nécessaires aux agents dans le monde réel, notamment l'entraînement de modèles, la préparation des ensembles de données et l'exécution d'expériences. Pour une meilleure évaluation, l'équipe de recherche a utilisé les données du classement public de Kaggle pour établir la performance de chaque

Getty Images a annoncé une initiative majeure : la mise à disposition d'un ensemble de données d'entraînement pour l'IA comprenant 3750 photos haute résolution, réparties en 15 catégories, afin de soutenir le développement d'applications IA. Ces photos sont disponibles sur la plateforme Hugging Face. Les utilisateurs peuvent y accéder gratuitement après avoir accepté les conditions d'utilisation et fourni leurs coordonnées. Cette initiative vise à attirer les entreprises et les développeurs tout en promouvant ses services d'autorisation payants. Getty Images affirme détenir plus de 572 millions de photos, dont plus de 200 millions sont disponibles pour un usage commercial.

L'institut de recherche allemand LAION a créé et publié le nouvel ensemble de données Re-LAION-5B, affirmant avoir supprimé les liens vers du matériel d'abus sexuel sur des enfants (CSAM). Cet ensemble de données est une version corrigée de l'ancien ensemble de données LAION-5B, intégrant les recommandations de l'Internet Watch Foundation, Human Rights Watch, du Canadian Centre for Child Protection et du Stanford Internet Observatory. Re-LAION-5B est disponible en deux versions : Research et Research-Safe, cette dernière supprimant en plus le contenu NSFW. L'ensemble de données vise à soutenir

L'Université de Wuhan, en collaboration avec l'équipe d'intelligence artificielle Jiu Tian de China Mobile et l'Université Duke Kunshan, a publié en open source VoxBlink2, un ensemble de données d'identification de locuteur audio-vidéo de plus de 110 000 heures basé sur des données YouTube. Cet ensemble de données comprend 9 904 382 segments audio de haute qualité et leurs segments vidéo correspondants, provenant de 111 284 utilisateurs YouTube. Il s'agit du plus grand ensemble de données d'identification de locuteur audio-vidéo publiquement disponible à ce jour. La publication de cet ensemble de données vise à enrichir les corpus de parole open source et à soutenir l'entraînement de grands modèles de reconnaissance vocale.

Nvidia a récemment annoncé le lancement de deux technologies d'intelligence artificielle révolutionnaires : HelpSteer2 et Llama3-70B-SteerLM-RM. Ces innovations promettent d'améliorer considérablement les capacités des systèmes d'IA dans diverses applications, de la conduite autonome au traitement du langage naturel.

L'Institut de Recherche sur l'Intelligence Artificielle (AIR) a publié TACO, un ensemble de données d'entraînement pour la génération de code, visant à fournir aux modèles de génération de code des données d'entraînement et des benchmarks plus stimulants. TACO présente des avantages en termes d'échelle de données, de qualité et de méthodes d'évaluation, notamment un ensemble d'entraînement et un ensemble de test plus importants, des solutions diversifiées et des étiquettes granulaires. Les résultats expérimentaux montrent que les modèles de génération de code populaires actuels présentent des différences significatives avec GPT-4 dans les évaluations TACO, ce qui indique qu'il y a encore place à l'amélioration dans ce domaine. TACO non seulement...

OBIA comprend 937 cas patients de l’hôpital n° 301, soit 1,93 million d’images médicales couvrant 9 modalités et 30 régions anatomiques. OBIA permet la désidentification, la gestion et le contrôle qualité des données d’imagerie, offrant aux utilisateurs des services de navigation, de recherche et de téléchargement. OBIA comble le vide en matière de partage ouvert de données d’imagerie biomédicale en Chine et contribuera à stimuler le développement de l’IA en imagerie médicale.

L'Institut d'Intelligence Artificielle de Pékin (BAAI) a publié MTP, le plus grand ensemble de données d'entraînement de modèles de vecteurs sémantiques chinois-anglais au monde, avec une taille de données atteignant 300 millions de paires. MTP est l'ensemble de données open source le plus vaste de paires de textes chinois-anglais corrélés, fournissant une base importante pour l'entraînement de modèles de vecteurs sémantiques. L'ensemble de données comprend des paires de textes chinois-anglais provenant de plusieurs sources, couvrant divers types tels que les questions-réponses, les commentaires et les actualités. L'Institut d'Intelligence Artificielle de Pékin a déclaré que les données jouent un rôle crucial dans l'entraînement des grands modèles, ce qui stimulera l'innovation collaborative en intelligence artificielle. La publication de cet ensemble de données devrait permettre de résoudre les problèmes liés à l'entraînement des modèles en chinois.

AI2 a récemment publié un ensemble de données open source appelé Dolma, contenant 3 billions de jetons. Les données de Dolma serviront de base au modèle linguistique ouvert OLMo, actuellement en développement chez AI2, dont la sortie est prévue pour début 2024. L'ensemble de données Dolma provient d'une large variété de sources, notamment le contenu web, les publications universitaires, le code et les livres, et constitue l'un des plus grands ensembles de données de ce type actuellement disponibles publiquement.

L'Institut Allen pour l'intelligence artificielle publie l'ensemble de données textuelles ouvertes Dolma, visant à promouvoir la transparence et l'innovation des modèles linguistiques de l'IA. Dolma, au cœur du programme de modèles linguistiques ouverts d'AI2, fournit aux chercheurs et développeurs des ressources de données gratuites. L'ensemble de données Dolma, d'une taille de 3 milliards de jetons, utilise la licence ImpACT pour les résultats à risque modéré et encourage les utilisateurs à fournir des informations de contact et d'utilisation.