如何快速上手 Nemotron 训练自动化AI Agent 驱动的 nemotron-customize 技能插件完整实战【免费下载链接】NemotronDeveloper Asset Hub for NVIDIA Nemotron — A one-stop resource for training recipes, usage cookbooks, datasets, and full end-to-end reference examples to build with Nemotron models项目地址: https://gitcode.com/gh_mirrors/ne/Nemotron如果你正在用Nemotron 模型做微调、强化学习或数据清洗大概率被繁琐的配置文件和步骤衔接折磨过。Nemotron是 NVIDIA 的开源开发者资产中心提供训练配方、使用手册和端到端示例而仓库内置的nemotron-customize 技能插件正是让AI Agent 自动化管理 Nemotron 训练流水线的关键——你只需用自然语言说出目标Agent 就能帮你规划 DAG、生成配置、校验产物衔接并把清洗、翻译、SFT、RL 对齐、评估等步骤串成一条流水线。本文用 5 分钟讲清楚它是什么、怎么用、以及它到底能省你多少事。一、什么是 nemotron-customize给 AI Agent 装的训练管家 nemotron-customize 是一个面向 AI 编码助手的技能插件Skill放在 skills/nemotron-customize/SKILL.md。它的作用可以概括为一句话把一个模型定制需求比如帮我清洗数据再 LoRA 微调翻译成仓库原生的 Nemotron 步骤流水线只做规划、配置和校验不凭空发明新步骤。它能覆盖的环节非常全环节对应步骤典型场景数据清洗curate/nemo_curator过滤原始 JSONL、语言/质量筛选语料翻译translate/nemo_curator训练语料多语言翻译合成数据sdg/data_designer生成 SFT / 工具调用 / DPO 数据微调训练sft/*、peft/*AutoModel 或 Megatron-Bridge 后端RL 对齐rl/nemo_rl/*DPO / RLVR / RLHF转换优化convert/*、optimize/*HF↔Megatron 互转、FP8/NVFP4 量化模型评估eval/model_eval托管端点或检查点基准测试所有步骤都集中在步骤目录 src/nemotron/steps/Agent 只做新增配置文件绝不改动仓库自带的default.yaml、step.py等核心文件安全性很高。二、步骤目录全景一张表看懂能做什么想搞清楚我的任务该走哪些步骤先看路由总表 references/CATALOG.md。它的核心思路是按产物Artifact串联而不是死记固定配方下游步骤声明消费什么类型如packed_parquetAgent 就倒推上游必须产出该类型例如sft/megatron_bridge消费packed_parquet那流水线里就必须先插入data_prep/sft_packing评估步骤eval/model_eval则被建议放在训练、转换、优化等质量关口两侧。这种产物匹配机制意味着同一条需求Agent 给出的链路可能随你的数据格式、GPU 数量不同而自动变化——这正是自动化相对手工脚本的优势。三、Agent 如何工作Orient → Plan → Act → Verify 四阶段多步骤流水线遵循 references/WORKFLOW.md 中定义的四阶段工作流这也是它靠谱的根源Orient定向Agent 先读捆绑参考文档目录表、产物表、模式表、硬件表一次性枚举候选步骤Plan规划产出一份包含意图、阶段、校验清单的 Markdown 计划附 Mermaid 产物流程图并等你确认后才动手Act执行尽可能只写 YAML 配置每个阶段的配置以新文件形式放在对应步骤的config/目录下Verify验证逐个校验 YAML 可解析、上下游产物类型匹配、tokenizer 与序列长度对齐等全部通过才报告完成。硬件不足时它还会主动降级建议先换更小模型再考虑 AutoModel最后才考虑 LoRA而不是直接给你一套跑不起来的参数。↑ RL 训练涉及策略模型、生成引擎、奖励模型等多角色协作Agent 会自动在计划中标注这类基础设施约束四、单步骤实战一行命令搞定 LoRA 微调以最常见的场景为例在 2 张 GPU 上对 HuggingFace 模型做 LoRA 微调。你只需要告诉 Agent基座模型名、JSONL 数据路径、输出目录、LoRA rank/alphaAgent 会按路由规则选定peft/automodel小 GPU HF 基座的确定性选择并直接输出一条完整可运行的命令形如uv run nemotron steps run peft/automodel -c 你的配置 --dry-run注意两个贴心细节命令会标注来源等级Verified/Repo-grounded/Blocked缺参数时 Agent 会追问而不是瞎猜涉及托管服务如翻译、托管评估时它会明确告诉你需要导出的认证环境变量名称但值永远只走环境变量绝不内联或提交。五、多步骤流水线实战数据清洗 合成数据 SFT真实需求往往是组合拳比如用 SDG 生成合成数据再对 Super3 做 SFT。此时 Agent 会输出类似这样的 DAG 规划sdg/data_designer ── data_prep/sft_packing ── sft/megatron_bridge并自动补齐关键校验项pack_size与模型seq_length一致、tokenizer 与聊天模板在前后阶段相同、远端执行所需的 env TOML profile 是否就绪。如果某个检查不过它会以WARNING:标出并给出修复建议。对于完全离线Airgap集群仓库还提供了专门的打包工具位于 deploy/nemotron-customizer/airgap/README.md在有网机器上构建 launcher 执行镜像并打成 tar 包拷到离线集群加载后即可继续用nemotron steps run提交任务模型和数据始终放在持久存储上、不进镜像。六、跑完之后怎么看结果损失曲线与基准分 流水线跑完eval/model_eval步骤会产出结构化评估结果。训练过程中你可以直接查看损失曲线确认收敛↑ 图中对比了两组学习率下的 LoRA 训练损失曲线正是 Agent 规划先用 tiny 配置冒烟测试、再全量训练策略的价值所在——仓库中所有tiny.yaml冒烟配置就是用来验证接线正确性而不代表最终质量七、动手前必备快速上手清单 克隆仓库并进入根目录需要 clone 时可访问https://gitcode.com/gh_mirrors/ne/Nemotron安装uv能执行uv run nemotron steps list在 AI 助手中加载 nemotron-customize 技能Claude Code、Codex 均已通过官方评测准备好具体值模型/检查点路径、数据路径、输出目录、GPU 数量远程执行时准备 env profileNEMOTRON_ENV_FILE指向的 TOML新手常见踩坑想用 MCQ/选择题数据集做翻译别走translate/nemo_curator它会拍平选项结构应走byob/mcq——这类硬性路由规则 Agent 会自动帮你遵守这正是把专家知识写进插件的价值。八、核心文件导航文件用途skills/nemotron-customize/SKILL.md技能主文档职责边界、安全规则、路由示例skills/nemotron-customize/references/CATALOG.md全步骤目录消费/产物/关键参数一览skills/nemotron-customize/references/WORKFLOW.mdOrient→Plan→Act→Verify 四阶段工作流skills/nemotron-customize/references/COMMANDS.md标准命令形态与配置写法src/nemotron/steps/步骤目录所有训练/转换/评估步骤所在deploy/nemotron-customizer/airgap/README.md离线集群镜像打包与部署流程写在最后nemotron-customize 的本质是把 Nemotron 训练该怎么做的专家经验产品化了Agent 负责编排你只需要提供数据和硬件并确认那份计划。对于刚接触 Nemotron 的新手最推荐的路径是——先让 Agent 用tiny冒烟配置跑通一条最短流水线再逐步替换成真实参数。当你发现写配置的时间变成了审核计划的时间自动化才算真正落地。【免费下载链接】NemotronDeveloper Asset Hub for NVIDIA Nemotron — A one-stop resource for training recipes, usage cookbooks, datasets, and full end-to-end reference examples to build with Nemotron models项目地址: https://gitcode.com/gh_mirrors/ne/Nemotron创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考