Nemo Curator

面向大语言模型训练的GPU加速数据策展工具。支持文本/图像/视频/音频数据。具备模糊去重（速度提升16倍）、质量过滤（超过30种启发式规则）、语义去重、个人身份信息脱敏、NSFW内容检测功能。可通过RAPIDS实现跨GPU扩展。适用于准备高质量训练数据集、清洗网络数据或大型语料库去重。

技能元数据


来源	可选 — 通过 `hermes skills install official/mlops/nemo-curator` 安装
路径	`optional-skills/mlops/nemo-curator`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`nemo-curator`, `cudf`, `dask`, `rapids`
平台	linux, macos
标签	`数据处理`, `NeMo Curator`, `数据策展`, `GPU加速`, `去重`, `质量过滤`, `NVIDIA`, `RAPIDS`, `PII脱敏`, `多模态`, `大语言模型训练数据`

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时智能体看到的指令。

NeMo Curator - GPU 加速的数据策划

NVIDIA 用于为大语言模型准备高质量训练数据的工具包。

何时使用 NeMo Curator

在以下情况下使用 NeMo Curator：

从网络抓取（Common Crawl）准备大语言模型训练数据
需要快速去重（比 CPU 快 16 倍）
策划多模态数据集（文本、图像、视频、音频）
过滤低质量或有害内容
在 GPU 集群上扩展数据处理

性能：

16 倍更快 的模糊去重（8TB RedPajama v2）
总拥有成本降低 40% （与 CPU 方案相比）
近乎线性扩展 跨 GPU 节点

改用替代方案：

datatrove：基于 CPU 的开源数据处理
dolma：Allen AI 的数据工具包
Ray Data：通用 ML 数据处理（无策划重点）

快速开始

安装

# 文本策划（CUDA 12）
uv pip install "nemo-curator[text_cuda12]"

# 所有模态
uv pip install "nemo-curator[all_cuda12]"

# 仅 CPU（更慢）
uv pip install "nemo-curator[cpu]"

基本文本策划管道

from nemo_curator import ScoreFilter, Modify
from nemo_curator.datasets import DocumentDataset
import pandas as pd

# 加载数据
df = pd.DataFrame({"text": ["Good document", "Bad doc", "Excellent text"]})
dataset = DocumentDataset(df)

# 质量过滤
def quality_score(doc):
    return len(doc["text"].split()) > 5  # 过滤短文档

filtered = ScoreFilter(quality_score)(dataset)

# 去重
from nemo_curator.modules import ExactDuplicates
deduped = ExactDuplicates()(filtered)

# 保存
deduped.to_parquet("curated_data/")

数据策划管道

阶段 1：质量过滤

from nemo_curator.filters import (
    WordCountFilter,
    RepeatedLinesFilter,
    UrlRatioFilter,
    NonAlphaNumericFilter
)

# 应用 30 多个启发式过滤器
from nemo_curator import ScoreFilter

# 字数过滤器
dataset = dataset.filter(WordCountFilter(min_words=50, max_words=100000))

# 移除重复内容
dataset = dataset.filter(RepeatedLinesFilter(max_repeated_line_fraction=0.3))

# URL 比例过滤器
dataset = dataset.filter(UrlRatioFilter(max_url_ratio=0.2))

阶段 2：去重

精确去重：

from nemo_curator.modules import ExactDuplicates

# 移除精确重复项
deduped = ExactDuplicates(id_field="id", text_field="text")(dataset)

模糊去重（GPU 上快 16 倍）：

from nemo_curator.modules import FuzzyDuplicates

# MinHash + LSH 去重
fuzzy_dedup = FuzzyDuplicates(
    id_field="id",
    text_field="text",
    num_hashes=260,      # MinHash 参数
    num_buckets=20,
    hash_method="md5"
)

deduped = fuzzy_dedup(dataset)

语义去重：

from nemo_curator.modules import SemanticDuplicates

# 基于嵌入的去重
semantic_dedup = SemanticDuplicates(
    id_field="id",
    text_field="text",
    embedding_model="sentence-transformers/all-MiniLM-L6-v2",
    threshold=0.8  # 余弦相似度阈值
)

deduped = semantic_dedup(dataset)

阶段 3：PII 编辑

from nemo_curator.modules import Modify
from nemo_curator.modifiers import PIIRedactor

# 编辑个人身份信息
pii_redactor = PIIRedactor(
    supported_entities=["EMAIL_ADDRESS", "PHONE_NUMBER", "PERSON", "LOCATION"],
    anonymize_action="replace"  # 或 "redact"
)

redacted = Modify(pii_redactor)(dataset)

阶段 4：分类器过滤

from nemo_curator.classifiers import QualityClassifier

# 质量分类
quality_clf = QualityClassifier(
    model_path="nvidia/quality-classifier-deberta",
    batch_size=256,
    device="cuda"
)

# 过滤低质量文档
high_quality = dataset.filter(lambda doc: quality_clf(doc["text"]) > 0.5)

GPU 加速

GPU 与 CPU 性能对比

操作	CPU（16 核）	GPU（A100）	加速比
模糊去重 (8TB)	120 小时	7.5 小时	16×
精确去重 (1TB)	8 小时	0.5 小时	16×
质量过滤	2 小时	0.2 小时	10×

多 GPU 扩展

from nemo_curator import get_client
import dask_cuda

# 初始化 GPU 集群
client = get_client(cluster_type="gpu", n_workers=8)

# 使用 8 个 GPU 处理
deduped = FuzzyDuplicates(...)(dataset)

多模态策划

图像策划

from nemo_curator.image import (
    AestheticFilter,
    NSFWFilter,
    CLIPEmbedder
)

# 美学评分
aesthetic_filter = AestheticFilter(threshold=5.0)
filtered_images = aesthetic_filter(image_dataset)

# NSFW 检测
nsfw_filter = NSFWFilter(threshold=0.9)
safe_images = nsfw_filter(filtered_images)

# 生成 CLIP 嵌入
clip_embedder = CLIPEmbedder(model="openai/clip-vit-base-patch32")
image_embeddings = clip_embedder(safe_images)

视频策划

from nemo_curator.video import (
    SceneDetector,
    ClipExtractor,
    InternVideo2Embedder
)

# 场景检测
scene_detector = SceneDetector(threshold=27.0)
scenes = scene_detector(video_dataset)

# 提取片段
clip_extractor = ClipExtractor(min_duration=2.0, max_duration=10.0)
clips = clip_extractor(scenes)

# 生成嵌入
video_embedder = InternVideo2Embedder()
video_embeddings = video_embedder(clips)

音频策划

from nemo_curator.audio import (
    ASRInference,
    WERFilter,
    DurationFilter
)

# ASR 转录
asr = ASRInference(model="nvidia/stt_en_fastconformer_hybrid_large_pc")
transcribed = asr(audio_dataset)

# 按词错误率过滤
wer_filter = WERFilter(max_wer=0.3)
high_quality_audio = wer_filter(transcribed)

# 时长过滤
duration_filter = DurationFilter(min_duration=1.0, max_duration=30.0)
filtered_audio = duration_filter(high_quality_audio)

常见模式

网络抓取策划（Common Crawl）

from nemo_curator import ScoreFilter, Modify
from nemo_curator.filters import *
from nemo_curator.modules import *
from nemo_curator.datasets import DocumentDataset

# 加载 Common Crawl 数据
dataset = DocumentDataset.read_parquet("common_crawl/*.parquet")

# 管道
pipeline = [
    # 1. 质量过滤
    WordCountFilter(min_words=100, max_words=50000),
    RepeatedLinesFilter(max_repeated_line_fraction=0.2),
    SymbolToWordRatioFilter(max_symbol_to_word_ratio=0.3),
    UrlRatioFilter(max_url_ratio=0.3),

    # 2. 语言过滤
    LanguageIdentificationFilter(target_languages=["en"]),

    # 3. 去重
    ExactDuplicates(id_field="id", text_field="text"),
    FuzzyDuplicates(id_field="id", text_field="text", num_hashes=260),

    # 4. PII 编辑
    PIIRedactor(),

    # 5. NSFW 过滤
    NSFWClassifier(threshold=0.8)
]

# 执行
for stage in pipeline:
    dataset = stage(dataset)

# 保存
dataset.to_parquet("curated_common_crawl/")

分布式处理

from nemo_curator import get_client
from dask_cuda import LocalCUDACluster

# 多 GPU 集群
cluster = LocalCUDACluster(n_workers=8)
client = get_client(cluster=cluster)

# 处理大数据集
dataset = DocumentDataset.read_parquet("s3://large_dataset/*.parquet")
deduped = FuzzyDuplicates(...)(dataset)

# 清理
client.close()
cluster.close()

性能基准

模糊去重（8TB RedPajama v2）

CPU（256 核）：120 小时
GPU（8× A100）：7.5 小时
加速比：16×

精确去重（1TB）

CPU（64 核）：8 小时
GPU（4× A100）：0.5 小时
加速比：16×

质量过滤（100GB）

CPU（32 核）：2 小时
GPU（2× A100）：0.2 小时
加速比：10×

成本比较

基于 CPU 的策划（AWS c5.18xlarge × 10）：

成本：$3.60/小时 × 10 = $36/小时
8TB 耗时：120 小时
总计：$4,320

基于 GPU 的策划（AWS p4d.24xlarge × 2）：

成本：$32.77/小时 × 2 = $65.54/小时
8TB 耗时：7.5 小时
总计：$491.55

节省：减少 89%（节省 $3,828）

支持的数据格式

输入：Parquet, JSONL, CSV
输出：Parquet（推荐），JSONL
WebDataset：TAR 存档（用于多模态）

用例

生产部署：

NVIDIA 使用 NeMo Curator 准备了 Nemotron-4 的训练数据
策划的开源数据集：RedPajama v2, The Pile

参考资料

过滤指南 - 30+ 质量过滤器，启发式方法
去重指南 - 精确、模糊、语义方法

资源

GitHub：https://github.com/NVIDIA/NeMo-Curator ⭐ 500+
文档：https://docs.nvidia.com/nemo-framework/user-guide/latest/datacuration/
版本：0.4.0+
许可证：Apache 2.0

技能元数据​

NeMo Curator - GPU 加速的数据策划

何时使用 NeMo Curator​

快速开始​

安装​

基本文本策划管道​

数据策划管道​

阶段 1：质量过滤​

阶段 2：去重​

阶段 3：PII 编辑​

阶段 4：分类器过滤​

GPU 加速​

GPU 与 CPU 性能对比​

多 GPU 扩展​

多模态策划​

图像策划​

视频策划​

音频策划​

常见模式​

网络抓取策划（Common Crawl）​

分布式处理​

性能基准​

模糊去重（8TB RedPajama v2）​

精确去重（1TB）​

质量过滤（100GB）​

成本比较​

支持的数据格式​

用例​

参考资料​

资源​