项目介绍：NeMo-Curator
NeMo-Curator 是一个由 NVIDIA 开发的开源 Python 库，旨在为各种生成式 AI 用例提供快速且可扩展的数据集准备和策划功能，如基础语言模型的预训练、文本到图像模型的训练、领域自适应预训练（DAPT）、监督微调（SFT）以及参数高效微调（PEFT）。该库通过集成 GPU 加速技术（如 Dask 和 RAPIDS）来显著加速数据策划的进程，从而节省大量时间。其模块化和可定制的接口，简化了流水线的扩展，并通过准备高质量的 tokens 加速模型收敛。
主要功能
NeMo-Curator 提供了一系列可扩展的数据策划模块，用于文本和图像的策划工作。
文本策划
NeMo-Curator 的文本流水线具有强大的多语言支持，主要功能包括：
- 下载和提取：提供 Common Crawl、Wikipedia 和 ArXiv 数据源的默认实现，可以轻松定制并扩展到其他数据源。
- 语言识别：识别并处理不同语言文本。
- Unicode 格式化：确保文本格式的一致性和正确性。
- 启发式过滤：通过启发式方法筛选低质量文本。
- 分类过滤：使用 fastText 和 GPU 加速模型进行领域、质量和安全性分类。
- GPU 加速去重：支持精确去重、模糊去重（通过 MinHash ）、语义去重等多种去重方法。
- 下游任务去污：防止测试集泄露，移除训练数据中可能影响评估的内容。
- 个人身份信息（PII）编辑：识别并编辑个人敏感信息。
图像策划
在图像策划模块中，NeMo-Curator 提供：
- 嵌入生成：为图像生成特征嵌入。
- 分类过滤：包括美学和 NSFW 分类。
- GPU 去重：进行语义上的去重。
这些模块具有灵活性，允许重新排序，能够自动扩展到多个节点以增加吞吐量。
资源和教程
为了帮助用户更好地使用 NeMo Curator，NVIDIA 提供了丰富的资源和教程，包括文档、示例代码、博客文章等，用户可以通过这些资源快速上手。
- 文档：全面详实的用户指南，帮助用户理解和使用各种功能模块。
- 示例：各种应用场景的代码示例，供用户参考和学习。
- 教程：以不同主题为基础的详细教程，引导用户从零开始使用 NeMo Curator 进行数据策划工作。
如何开始使用 NeMo Curator
安装说明
在安装 NeMo Curator 之前，用户需确保满足以下要求：
- Python 3.10
- Ubuntu 22.04/20.04
- (可选) NVIDIA GPU（Volta 或更高版本，支持 CUDA 12 及以上）
用户可以通过多种方式安装 NeMo Curator：
- 通过 PyPI 安装
- 从源代码安装
- 使用 NeMo 框架容器
此外，NeMo Curator 提供了一些附加安装选项，可以根据用户的工作负载需求安装相应的模块。
入门示例
为了帮助用户快速入门，NeMo-Curator 提供了许多快速的 Python API 使用示例，以及详细的教程，涵盖了包括分布式数据分类、图像策划等方面的内容。
贡献社区
NeMo Curator 欢迎社区参与贡献，感兴趣的开发者可以通过参考贡献指南来了解如何为项目做出贡献。
通过 NeMo-Curator，研究人员和开发者能够更加高效地进行数据集的策划与管理，从而加速 AI 模型的开发与应用。其强大的功能和灵活的接口，使得数据处理更为方便与快捷，成为许多生成 AI 应用场景中的重要一环。
编辑推荐精选
AEE
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。
UI-TARS-desktop
基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。
Wan2.1
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。
爱图表
全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表
爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。
Qwen2.5-VL
一款强大的视觉语言模型，支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。
HunyuanVideo
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。
WebUI for Browser Use
一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。
xiaozhi-esp32
基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。
olmocr
一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。
olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。
飞书多维表格
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号