NVIDIA-NeMo/DataDesigner

它解决了什么问题

它提供了一个用于创建生产级合成数据集的框架，而不仅仅是简单的提示词生成。它解决了对多样化统计分布、数据字段间有意义的相关性，以及用于训练或测试 AI 模型的高质量验证输出的需求。

运作方式

Data Designer 使用灵活的配置系统来构建数据集。用户可以使用多种方法定义字段：用于分类或人口统计数据的采样器、用于文本生成的 LLM，以及用于视觉内容的图像模型。它支持依赖感知生成，允许一个字段影响另一个字段。该框架还通过 MCP 服务器与外部工具集成以捕获交互轨迹，并包含一个验证层，可以通过 Python、SQL 或 LLM 评审员对输出进行评分。

目标用户

需要高质量合成文本、结构化数据或多模态数据集（包括图像、音频和视频上下文）进行 AI 开发的开发者和研究人员。

特点

• 多模态生成：支持文本、结构化数据和图像。
• 依赖控制：在生成过程中管理不同数据字段之间的关系。
• 验证套件：包含内置工具，可使用 SQL、Python 和基于 LLM 的评审员来评分和验证数据。
• 可扩展架构：允许为字段、种子读取器和处理器自定义插件。
• 代理集成：为编码代理提供特定技能，以自动处理模式设计和生成。