Hermes Agent Wiki 非公式・日本語wiki
この skill をそのまま使う: GitHub で原文を見る

英語原文・frontmatter 込みで、Hermes が読み込む実体そのままです(このページの本文は日本語版)。

Nemo Curator

目次

LLM の学習データを整えます。重複除去・絞り込み・個人情報の伏せ字化を行います。

skill の情報

提供元 追加インストール — hermes skills install official/mlops/nemo-curator で導入します
パス optional-skills/mlops/nemo-curator
バージョン 1.0.1
作者 Orchestra Research
ライセンス MIT
依存関係 nemo-curator, cudf, dask, rapids
対応プラットフォーム linux, macos
タグ Data Processing, NeMo Curator, Data Curation, GPU Acceleration, Deduplication, Quality Filtering, NVIDIA, RAPIDS, PII Redaction, Multimodal, LLM Training Data

参考: SKILL.md 全文

NeMo Curator - GPU で高速化するデータ整備

LLM 向けの質の高い学習データを用意するための、NVIDIA のツール群です。

NeMo Curator を使う場面

次のようなときに NeMo Curator を使います:

  • Web クロール(Common Crawl)から LLM の学習データを用意したい
  • 重複除去を速くしたい(CPU の 16 倍)
  • テキスト・画像・動画・音声にまたがるデータセットを整えたい
  • 品質の低い内容や有害な内容を除きたい
  • GPU クラスタでデータ処理をスケールさせたい

性能:

  • あいまい重複の除去が 16 倍高速(8TB の RedPajama v2)
  • CPU での処理に比べ 総保有コストが 40% 低い
  • GPU ノードを増やすと ほぼ線形にスケール

次の場合は別の選択肢を使います:

  • datatrove: CPU ベースのオープンソースなデータ処理
  • dolma: Allen AI のデータ処理ツール群
  • Ray Data: 汎用の ML データ処理(データ整備に特化していない)

すぐ試す

導入

# NeMo Curator 1.x installs with uv. Extras use hyphens (PyPI-normalized):
#   text-cuda12 / text-cpu (and image/video/audio/math variants), or `all`.

# Text curation (CUDA 12)
uv pip install "nemo-curator[text-cuda12]"

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

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

テキスト整備の基本パイプライン

> メジャーバージョンでの作り直し(1.x): NeMo Curator は Ray ベースの > パイプライン/ステージ構成に書き直されました。0.x にあった DocumentDataset + > nemo_curator.modules.* / ScoreFilter / Modify を、データセットに対してオブジェクトとして > 呼び出す API はなくなっています。1.x では ProcessingStage を組み合わせて Pipeline を作り、 > 実行役(executor)で走らせます。ステージや import の顔ぶれはモダリティごとに違うので、 > 以下の例は 考え方を示すもの(0.x 形式) と捉え、実際の 1.x の API は最新の > quickstart > と text guide を見て、 > import をそのまま書き写さないでください。

上流の quickstart にある、1.x のパイプラインの形は次のとおりです。

from nemo_curator.pipeline import Pipeline
from nemo_curator.stages.base import ProcessingStage
from nemo_curator.stages.resources import Resources
from nemo_curator.backends.xenna import XennaExecutor
from nemo_curator.core.client import RayClient

# 1. Define/compose stages (load -> filter -> dedupe -> classify -> write).
#    Each stage declares its own Resources (CPU cores, GPU memory, replicas).
pipeline = Pipeline(name="curation", stages=[...])

# 2. Run it with an executor (Ray-backed).
client = RayClient()
client.start()
pipeline.run(XennaExecutor())
client.stop()

以降の節にある 0.x 形式のコードは、*考え方*(品質での絞り込み、完全一致・あいまい・意味的な重複除去、個人情報の伏せ字化、分類器での絞り込み)を示すためのものです。そのまま動く 1.x のコードにするには、それぞれの考え方をモダリティ別ガイドの対応するステージに置き換えてください。

データ整備のパイプライン

段階 1: 品質での絞り込み

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))

段階 2: 重複除去

完全一致の重複除去:

from nemo_curator.modules import ExactDuplicates

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

あいまい重複の除去(GPU で 16 倍高速):

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)

意味的な重複除去:

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)

段階 3: 個人情報の伏せ字化

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)

段階 4: 分類器での絞り込み

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 での高速化

GPU と CPU の性能差

処理 CPU(16 コア) GPU(A100) 速度差
あいまい重複の除去(8TB) 120 時間 7.5 時間 16 倍
完全一致の重複除去(1TB) 8 時間 0.5 時間 16 倍
品質での絞り込み 2 時間 0.2 時間 10 倍

複数 GPU へのスケール

from nemo_curator import get_client

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

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

マルチモーダルなデータ整備

画像の整備

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)

動画の整備

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)

音声の整備

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)

よくある組み合わせ

Web クロールの整備(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/")

分散処理

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()

性能の実測値

あいまい重複の除去(8TB の RedPajama v2)

  • CPU(256 コア): 120 時間
  • GPU(A100 × 8): 7.5 時間
  • 速度差: 16 倍

完全一致の重複除去(1TB)

  • CPU(64 コア): 8 時間
  • GPU(A100 × 4): 0.5 時間
  • 速度差: 16 倍

品質での絞り込み(100GB)

  • CPU(32 コア): 2 時間
  • GPU(A100 × 2): 0.2 時間
  • 速度差: 10 倍

費用の比較

CPU でのデータ整備(AWS c5.18xlarge × 10):

  • 費用: 1 時間あたり $3.60 × 10 = $36
  • 8TB にかかる時間: 120 時間
  • 合計: $4,320

GPU でのデータ整備(AWS p4d.24xlarge × 2):

  • 費用: 1 時間あたり $32.77 × 2 = $65.54
  • 8TB にかかる時間: 7.5 時間
  • 合計: $491.55

削減幅: 89% 減($3,828 の節約)

扱えるデータ形式

  • 入力: Parquet、JSONL、CSV
  • 出力: Parquet(おすすめ)、JSONL
  • WebDataset: マルチモーダル向けの TAR アーカイブ

使われている場面

実運用での採用例:

  • NVIDIA は Nemotron-4 の学習データ作りに NeMo Curator を使いました
  • 整備されたオープンソースのデータセット: RedPajama v2、The Pile

参考資料

関連情報

  • GitHub: https://github.com/NVIDIA-NeMo/Curator
  • ドキュメント: https://docs.nvidia.com/nemo/curator/latest/
  • バージョン: 1.2.0(1.x は Ray ベースのパイプラインへの書き直しです。0.x のコードを写す前に quickstart を確認してください)
  • ライセンス: Apache 2.0