工具介绍与任务方法
Data-Juicer
把清洗、过滤、去重和分析算子组合成 AI 数据处理流程，可在 Python 中检查处理后的数据集。
Data-Juicer 能做什么
把清洗、过滤、去重和分析算子组合成 AI 数据处理流程，可在 Python 中检查处理后的数据集。
- 模型训练数据制作与标注
如何使用 Data-Juicer
清洗模型训练文本
准备输入
- 有权使用的文本数据集
- 文本长度、空白规范等筛选要求
操作步骤
- 把原始文本组织为数据集，先保存未处理副本。
- 组合长度过滤和空白规范等算子，通过 process 执行处理。
- 抽查保留与丢弃样本，确认规则没有误删重要内容，再使用处理后的数据。
预期交付物
- 按所选规则过滤、规范后的文本数据集
清洗规则只反映配置条件，不能自动保证事实正确或数据授权合规；应抽查边界样本及误删情况。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
