Nemo Curator

用于 LLM 训练的 GPU 加速数据整理。支持文本/图像/视频/音频。具备模糊去重（速度提升 16 倍）、质量过滤（30+ 启发式规则）、语义去重、PII 脱敏、NSFW 检测等功能。借助 RAPIDS 跨 GPU 扩展。适用于准备高质量训练数据集、清洗网络数据或对大型语料库进行去重。

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	`nemo-curator`, `cudf`, `dask`, `rapids`
标签	`Data Processing`, `NeMo Curator`, `Data Curation`, `GPU Acceleration`, `Deduplication`, `Quality Filtering`, `NVIDIA`, `RAPIDS`, `PII Redaction`, `Multimodal`, `LLM Training Data`

参考：完整 SKILL.md

信息

以下是该技能被触发时 Hermes 加载的完整技能定义。当技能激活时，Agent 会将其视为指令。

NeMo Curator - GPU 加速数据整理

NVIDIA 的工具包，用于为 LLM 准备高质量训练数据。

何时使用 NeMo Curator

在以下场景使用 NeMo Curator：

从网络抓取（如 Common Crawl）准备 LLM 训练数据
需要快速去重（比 CPU 快 16 倍）
整理多模态数据集（文本、图像、视频、音频）
过滤低质量或有毒内容
跨 GPU 集群扩展数据处理

性能：

模糊去重速度提升 16 倍（8TB RedPajama v2）
总拥有成本比 CPU 方案低 40%
跨 GPU 节点近乎线性扩展

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（无数据整理功能）

快速开始

安装

# Text curation (CUDA 12)
uv pip install "nemo-curator[text_cuda12]"

# All modalities
uv pip install "nemo-curator[all_cuda12]"

# CPU-only (slower)
uv pip install "nemo-curator[cpu]"

基本文本整理流程

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

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

# Quality filtering
def quality_score(doc):
    return len(doc["text"].split()) > 5  # Filter short docs

filtered = ScoreFilter(quality_score)(dataset)

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

# Save
deduped.to_parquet("curated_data/")

数据整理流程

阶段 1：质量过滤

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

# Apply 30+ heuristic filters
from nemo_curator import ScoreFilter

# Word count filter
dataset = dataset.filter(WordCountFilter(min_words=50, max_words=100000))

# Remove repetitive content
dataset = dataset.filter(RepeatedLinesFilter(max_repeated_line_fraction=0.3))

# URL ratio filter
dataset = dataset.filter(UrlRatioFilter(max_url_ratio=0.2))

阶段 2：去重

精确去重：

from nemo_curator.modules import ExactDuplicates

# 移除完全重复的文档
deduped = ExactDuplicates(id_field="id", text_field="text")(dataset)

模糊去重（在 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

# 基于嵌入向量的去重
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 脱敏

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

# 脱敏个人身份信息
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)

图像整理

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 嵌入向量
clip_embedder = CLIPEmbedder(model="openai/clip-vit-base-patch32")
image_embeddings = clip_embedder(safe_images)

视频整理

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

# 检测场景
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)

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

音频数据清洗

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 WER（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

网页抓取数据清洗（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")

# 流水线
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 脱敏
    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)

# 处理大规模数据集
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×

成本对比

基于 CPU 的数据清洗（AWS c5.18xlarge × 10）：

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

基于 GPU 的数据清洗（AWS p4d.24xlarge × 2）：

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

节省：降低 89%（节省 $3,828）

支持的数据格式

输入：Parquet、JSONL、CSV
输出：Parquet（推荐）、JSONL
WebDataset：多模态数据的 TAR 归档

使用场景

生产部署：

NVIDIA 使用 NeMo Curator 准备 Nemotron-4 训练数据
已清洗的开源数据集：RedPajama v2、The Pile

参考文档

过滤指南 - 30 多种质量过滤器与启发式规则
去重指南 - 精确、模糊、语义去重方法

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​

参考：完整 SKILL.md​

NeMo Curator - GPU 加速数据整理

何时使用 NeMo Curator​

快速开始​

安装​

基本文本整理流程​

数据整理流程​

阶段 1：质量过滤​

阶段 2：去重​

阶段 3：PII 脱敏​

阶段 4：分类器过滤​

GPU 加速​

GPU 与 CPU 性能对比​

多 GPU 扩展​

多模态整理​

图像整理​

视频整理​

音频数据清洗​

常见模式​

网页抓取数据清洗（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）​

成本对比​

支持的数据格式​

使用场景​

参考文档​

资源​