SLAIH vo svojom oznámení vyzdvihol päť prírastkov v katalógu pre slovenské jazykové technológie: multimodálny model MiniMax-M3, embeddingový benchmark SkMTEB, benchmark rodových stereotypov GEST, rečový korpus SloPalSpeech a open-source TTS systém Piper. Pri každej položke ide o opis a parametre, ktoré uvádza samotné SLAIH.
Slovak Language AI Hub podľa svojho oznámenia spustil centrálne miesto pre datasety, modely a benchmarky pre slovenčinu. V prvej verzii uvádza kurátorovaný katalóg zdrojov a výsledky troch benchmarkov: skLEP, SkMTEB a Speech-to-Text.
SLAIH opisuje, že dôveryhodný benchmark pre slovenské speech-to-text modely stojí na voľbe normalizácie, pestrej testovacej množine a meraní v zhoršených akustických podmienkach. Organizácia zároveň upozorňuje, že agregované skóre môže zakryť veľké rozdiely medzi čítanou a spontánnou rečou a že dnešný benchmark má aj jasne pomenované obmedzenia.
Na SLAIH je podľa oznámenia dostupný prvý špecializovaný benchmark rozpoznávania reči pre slovenčinu. KInIT zároveň uvádza, že pri doladení otvorených modelov na slovenských dátach klesla chybovosť približne na polovicu, no dnešné verzie majú aj jasné limity v pokrytí domén a vo viacjazyčnom použití.
SLAIH upozorňuje, že jedno agregované skóre z leaderboardu môže pri výbere AI modelu skryť rozdiely v metodike, dátach aj schopnostiach. Pri praktickom nasadení preto odporúča pozerať sa na benchmarky, ktoré zodpovedajú konkrétnej úlohe, napríklad na slovenské embedding benchmarky pre RAG.
Podľa zverejneného zhrnutia sa na NLP Summer School 2026 v Bratislave počas troch dní stretli študenti, doktorandi, výskumníci aj ľudia z praxe. Program spojil veľké jazykové modely, AI agentov, multimodálnu AI, slovenské jazykové technológie aj diskusiu o tom, ako ľudia AI interpretujú a používajú.
KInIT 22. októbra 2026 uviedol, že zverejnil 39-hodinový slovenský ASR benchmark na SLAIH a prvé doladené otvorené modely. Podľa jeho výsledkov dosiahol na rovnakých dátach najsilnejší komerčný systém 10,8 % word error rate a najlepší bežne dostupný open-weight model 17,5 %, pričom po doladení na slovenčine chybovosť v skúšaných architektúrach klesla približne na polovicu. Inštitút zároveň upozorňuje na dve hranice: úzku dátovú rozmanitosť a zhoršenie výkonu v iných jazykoch po plnom fine-tuningu.
