nemo-curator

name	nemo-curator
description	Curate LLM training data: dedupe, filter, PII redaction.
version	1.0.0
author	Orchestra Research
license	MIT
dependencies	["nemo-curator","cudf","dask","rapids"]
platforms	["linux","macos"]
metadata	{"hermes":{"tags":["Data Processing","NeMo Curator","Data Curation","GPU Acceleration","Deduplication","Quality Filtering","NVIDIA","RAPIDS","PII Redaction","Multimodal","LLM Training Data"]}}

NeMo Curator——基于GPU的数据整理工具

NVIDIA专为LLM准备高质量训练数据而打造的工具包。

何时使用NeMo Curator

以下情况建议使用NeMo Curator：

• 从网络爬取数据（如Common Crawl）来准备LLM训练数据
• 需要快速进行数据去重处理（速度是CPU的16倍）
• 对多模态数据集（文本、图像、视频、音频）进行整理
• 过滤低质量或有害内容
• 在GPU集群上扩展数据处理规模

性能优势：

• 模糊去重速度提升16倍（处理8TB的RedPajama v2数据）
• 相较于CPU方案，总体拥有成本降低40%
• 在多个GPU节点之间可实现近乎线性的性能扩展

可选替代方案：

• datatrove：基于CPU的开源数据处理工具
• dolma：Allen AI提供的数据处理工具包
• Ray Data：通用的机器学习数据处理工具（不侧重数据整理功能）

快速入门

安装指南

# 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]"

基础文本整理流程

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/")

数据筛选流程

第一阶段：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))

第二阶段：去重处理

精确去重：

from nemo_curator.modules import ExactDuplicates

# Remove exact duplicates
deduped = ExactDuplicates(id_field="id", text_field="text")(dataset)

模糊去重功能（在 GPU 上的处理速度提升 16 倍）：

from nemo_curator.modules import FuzzyDuplicates

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

deduped = fuzzy_dedup(dataset)

语义去重：

from nemo_curator.modules import SemanticDuplicates

# Embedding-based deduplication
semantic_dedup = SemanticDuplicates(
    id_field="id",
    text_field="text",
    embedding_model="sentence-transformers/all-MiniLM-L6-v2",
    threshold=0.8  # Cosine similarity threshold
)

deduped = semantic_dedup(dataset)

第三阶段：个人身份信息脱敏处理

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

# Redact personally identifiable information
pii_redactor = PIIRedactor(
    supported_entities=["EMAIL_ADDRESS", "PHONE_NUMBER", "PERSON", "LOCATION"],
    anonymize_action="replace"  # or "redact"
)

redacted = Modify(pii_redactor)(dataset)

第4阶段：分类器过滤

from nemo_curator.classifiers import QualityClassifier

# Quality classification
quality_clf = QualityClassifier(
    model_path="nvidia/quality-classifier-deberta",
    batch_size=256,
    device="cuda"
)

# Filter low-quality documents
high_quality = dataset.filter(lambda doc: quality_clf(doc["text"]) > 0.5)

GPU加速功能

GPU与CPU的性能对比

操作任务	CPU（16核）	GPU（A100）	加速倍数
模糊去重（8TB）	120小时	7.5小时	16倍
精确去重（1TB）	8小时	0.5小时	16倍
质量过滤	2小时	0.2小时	10倍

多GPU扩展方案

from nemo_curator import get_client
import dask_cuda

# Initialize GPU cluster
client = get_client(cluster_type="gpu", n_workers=8)

# Process with 8 GPUs
deduped = FuzzyDuplicates(...)(dataset)

多模态内容精选

图片内容精选

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

# Aesthetic scoring
aesthetic_filter = AestheticFilter(threshold=5.0)
filtered_images = aesthetic_filter(image_dataset)

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

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

视频精选

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

# Detect scenes
scene_detector = SceneDetector(threshold=27.0)
scenes = scene_detector(video_dataset)

# Extract clips
clip_extractor = ClipExtractor(min_duration=2.0, max_duration=10.0)
clips = clip_extractor(scenes)

# Generate embeddings
video_embedder = InternVideo2Embedder()
video_embeddings = video_embedder(clips)

音频内容精选

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

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

# Filter by WER (word error rate)
wer_filter = WERFilter(max_wer=0.3)
high_quality_audio = wer_filter(transcribed)

# Duration filtering
duration_filter = DurationFilter(min_duration=1.0, max_duration=30.0)
filtered_audio = duration_filter(high_quality_audio)

常见模式

网页抓取整理（Common Crawl）

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

# Load Common Crawl data
dataset = DocumentDataset.read_parquet("common_crawl/*.parquet")

# Pipeline
pipeline = [
    # 1. Quality filtering
    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. Language filtering
    LanguageIdentificationFilter(target_languages=["en"]),

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

    # 4. PII redaction
    PIIRedactor(),

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

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

# Save
dataset.to_parquet("curated_common_crawl/")

分布式处理

from nemo_curator import get_client
from dask_cuda import LocalCUDACluster

# Multi-GPU cluster
cluster = LocalCUDACluster(n_workers=8)
client = get_client(cluster=cluster)

# Process large dataset
dataset = DocumentDataset.read_parquet("s3://large_dataset/*.parquet")
deduped = FuzzyDuplicates(...)(dataset)

# Cleanup
client.close()
cluster.close()

性能基准测试

模糊去重处理（8TB RedPajama v2）

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

精确去重处理（1TB）

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

质量过滤（100GB）

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

成本对比

基于CPU的处理方式（AWS c5.18xlarge × 10台）：

• 成本：3.60美元/小时 × 10 = 36美元/小时
• 处理8TB数据所需时间：120小时
• 总成本：4,320美元

基于GPU的处理方式（AWS p4d.24xlarge × 2台）：

• 成本：32.77美元/小时 × 2 = 65.54美元/小时
• 处理8TB数据所需时间：7.5小时
• 总成本：491.55美元

节省费用：成本降低89%，可节省3,828美元

支持的数据格式

• 输入格式：Parquet、JSONL、CSV
• 输出格式：Parquet（推荐）、JSONL
• WebDataset：用于多模态数据的TAR压缩包

应用场景

生产环境部署：

• NVIDIA曾使用NeMo Curator来准备Nemotron-4的训练数据
• 已整理的开源数据集包括：RedPajama v2、The Pile

参考资料

• 过滤指南 – 提供30多种质量过滤规则与算法建议
• 去重指南 – 介绍精确去重、模糊去重及语义去重方法

相关资源

• GitHub仓库：https://github.com/NVIDIA/NeMo-Curator ⭐ 500+星标
• 文档页面：https://docs.nvidia.com/nemo-framework/user-guide/latest/datacuration/
• 当前版本：0.4.0及以上
• 许可证：Apache 2.0