用途：为 LLM 训练准备高质量数据，可从网页抓取（如 Common Crawl）等来源整理数据，并支持多模态数据集。
主要能力：文本质量过滤（内置 30 多种启发式过滤器，如词数、重复行、URL 比例等）；去重，含精确去重、模糊去重（MinHash + LSH）、语义去重（基于嵌入与余弦相似度）；PII 脱敏；质量分类器过滤。多模态方面支持图像（美学评分、NSFW 检测、CLIP 嵌入）、视频（场景检测、片段提取、嵌入）与音频（ASR、WER 过滤、时长过滤）。官方称模糊去重比 CPU 快 16 倍，并支持多 GPU 近线性扩展。
使用方式：以 pip 安装，如 uv pip install "nemo-curator[text_cuda12]"（全模态为 all_cuda12，CPU 为 cpu）。典型流程为加载数据为 DocumentDataset，依次应用过滤器、去重模块与修改器，最后 to_parquet 保存。可用 get_client(cluster_type="gpu", n_workers=8) 或 LocalCUDACluster 做分布式处理。输入支持 Parquet、JSONL、CSV，输出推荐 Parquet，多模态可用 WebDataset TAR。
适用场景：LLM 训练数据预处理、网页抓取数据清洗、多模态数据整理、大规模 GPU 集群数据处理。
限制：GPU 版本需要 CUDA 环境；CPU 模式速度较慢；资料未提供具体平台要求、价格与许可之外的更多细节，部分内容暂未提供。