摘要
我们提出 NeMo Data Designer（NDD），一个用于多模态合成数据生成（SDG）的开源通用框架。NDD 以直观易用为设计目标，提供了一种声明式配置格式，人类用户和/或智能体用户可在其中定义每个数据集列，列类型涵盖文本、代码、结构化输出、图像、嵌入以及统计采样器，这些采样器经过显式配置以引导数据集多样性。额外的列类型和功能可通过该框架灵活的插件系统引入。NDD 的配置是一份可检查的产物，支持工作流共享和可复现性。SDG 本质上是一个迭代过程。因此，NDD 将预览-修订循环构建到其核心工作流中，允许用户生成并检查少量记录，完善规范，然后全量重新运行生成。在运行时，NDD 解析依赖关系，调度对用户提供的模型端点的调用，并重试失败的请求。我们描述了 NDD 的架构和编程模型，并展示了涵盖结构化、智能体、多模态和领域专用任务的案例研究，包括用于 Nemotron 模型开发和生产企业部署中的数据集。