論文の概要: NeMo Data Designer: An Extensible Framework for Multimodal Synthetic Data Generation

• arxiv url: http://arxiv.org/abs/2609.17699v1
• Date: Tue, 15 Sep 2026 18:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.495554
• Title: NeMo Data Designer: An Extensible Framework for Multimodal Synthetic Data Generation
• Title（参考訳）: NeMo Data Designer: マルチモーダル合成データ生成のための拡張可能なフレームワーク
• Abstract要約: NeMo Data Designer (NDD) は、合成データ生成のためのオープンソースの汎用フレームワークである。 NDDは、人やエージェントユーザーがそれぞれのデータセット列を定義する宣言型構成フォーマットを提供する。 NDDのアーキテクチャとプログラミングモデルと、構造化、エージェント、マルチモーダル、ドメイン特化タスクにまたがるケーススタディについて述べる。
• 参考スコア（独自算出の注目度）: 1.964328135261099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present NeMo Data Designer (NDD), an open-source, general-purpose framework for multi-modal synthetic data generation (SDG). Designed to be intuitive to use, NDD provides a declarative configuration format in which human and/or agent users define each dataset column, with column types spanning text, code, structured outputs, images, embeddings, and statistical samplers that are explicitly configured to steer dataset diversity. Additional column types and functionality can be introduced using the framework's flexible plugin system. NDD's configuration is an inspectable artifact, supporting workflow sharing and reproducibility. SDG is an inherently iterative process. NDD therefore builds a preview-and-revision loop into its core workflow, allowing users to generate and inspect a small number of records, refine the specification, and rerun generation at full scale. At runtime, NDD resolves dependencies, schedules calls to user-provided model endpoints, and retries failed requests. We describe NDD's architecture and programming model and present case studies spanning structured, agentic, multimodal, and domain-specialized tasks, including datasets used in Nemotron model development and in production enterprise deployments.
• Abstract（参考訳）: 我々は、マルチモーダル合成データ生成(SDG)のためのオープンソースの汎用フレームワークNeMo Data Designer(NDD)を提案する。 直感的に使えるように設計されたNDDは、人やエージェントのユーザが各データセット列を定義し、テキスト、コード、構造化アウトプット、画像、埋め込み、統計サンプルを対象とする宣言的な構成形式を提供する。 フレームワークのフレキシブルプラグインシステムを使用して、追加のカラムタイプと機能を導入することができる。 NDDの設定は検査可能なアーティファクトであり、ワークフローの共有と再現性をサポートする。 SDGは本質的に反復的なプロセスである。 したがって、NDDはコアワークフローにプレビューとリビジョンのループを構築し、ユーザは少数のレコードを生成して検査し、仕様を洗練し、フルスケールで生成することができる。 NDDは実行時に依存関係を解決し、ユーザが提供するモデルエンドポイントへの呼び出しをスケジュールし、失敗したリクエストを再試行する。 我々は,NDDのアーキテクチャとプログラミングモデルについて述べるとともに,ネモトロンモデル開発や実運用企業展開で使用されるデータセットを含む,構造化,エージェント,マルチモーダル,ドメイン特化タスクにまたがるケーススタディについて述べる。

関連論文リスト

• FABRIC: Framework for Agent-Based Realistic Intelligence Creation [3.940391073007047]
  大規模言語モデル(LLM)はエージェントとしてますます多くデプロイされ、目標を分解し、ツールを実行し、動的環境で結果を検証することが期待されている。 本稿では,LLMのみを用いたエージェントデータの統一化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T18:20:22Z)
• AI-assisted JSON Schema Creation and Mapping [0.0]
  本稿では,大規模言語モデル(LLM)と決定論的手法を組み合わせて,ユーザによる自然言語入力に基づく生成,修正,スキーママッピングを実現するハイブリッドアプローチを提案する。 この作業は、非専門家のための構造化データモデリングとデータ統合に対する障壁を著しく減らします。
  論文  参考訳（メタデータ） (2025-08-07T09:27:10Z)
• SWE-Flow: Synthesizing Software Engineering Data in a Test-Driven Manner [53.54568352375669]
  テスト駆動開発(TDD)に基づく新しいデータ合成フレームワーク**SWE-Flow*を紹介します。 人為的な問題に依存する既存のソフトウェアエンジニアリングデータとは異なり、**SWE-Flow*は、単体テストから直接インクリメンタルな開発ステップを推論する。 私たちは現実のGitHubプロジェクトから16,061のトレーニングインスタンスと2,020のテストインスタンスを生成し、**SWE-Flow-Eval**ベンチマークを作成しました。
  論文  参考訳（メタデータ） (2025-06-10T17:23:33Z)
• ACE: All-round Creator and Editor Following Instructions via Diffusion Transformer [40.32254040909614]
  視覚生成タスクのための全ラウンドクリエータとエディタであるACEを提案する。 まず、Long-Context Condition Unit (LCU)と呼ばれる統一条件形式を導入する。 次に,LCUを入力として使用するトランスフォーマーに基づく新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-30T17:56:27Z)
• PosterLLaVa: Constructing a Unified Multi-modal Layout Generator with LLM [58.67882997399021]
  本研究では,グラフィックレイアウトの自動生成のための統合フレームワークを提案する。 データ駆動方式では、レイアウトを生成するために構造化テキスト(JSONフォーマット)とビジュアルインストラクションチューニングを用いる。 我々は,ユーザのデザイン意図に基づいて編集可能なポスターを生成する自動テキスト投稿システムを開発した。
  論文  参考訳（メタデータ） (2024-06-05T03:05:52Z)
• Transformer Architecture for NetsDB [0.0]
  我々はNetsDBで機能するディープラーニングモデルのためのトランスフォーマーのエンドツーエンド実装を作成します。 分散処理、デプロイメント、効率的な推論のために、当社のモデルから重みをロードします。
  論文  参考訳（メタデータ） (2024-05-08T04:38:36Z)
• Prompt2Model: Generating Deployable Models from Natural Language Instructions [74.19816829003729]
  大規模言語モデル(LLM)により、システムビルダーはプロンプトによって有能なNLPシステムを作成することができる。 言い換えれば、LSMは従来の特殊目的のNLPモデルとは逆のステップである。 本稿では,LLMに提供されるプロンプトのように自然言語によるタスク記述を行う汎用手法であるPrompt2Modelを提案する。
  論文  参考訳（メタデータ） (2023-08-23T17:28:21Z)
• Benchmarking Diverse-Modal Entity Linking with Generative Models [78.93737257356784]
  既存の EL データセットから様々なモード EL (DMEL) のベンチマークを構築した。 DMEL タスクにアプローチするため,マルチモーダルエンコーダ・デコーダのパラダイムに則って生成多モードモデル (GDMM) を提案する。 GDMMは、より強力なDMELベースラインを構築し、平均8.51F1スコアで最先端のタスク固有のELモデルを上回っている。
  論文  参考訳（メタデータ） (2023-05-27T02:38:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。