Base de datos de embeddings de código abierto para aplicaciones de IA, que almacena documentos y vectores para habilitar búsquedas semánticas, híbridas y de texto completo.
29,5 mil2,6 milRustApache-2.0Actualizado hace 15 horas
NVIDIA/NeMo-Retriever
Pipeline escalable que extrae texto, tablas, gráficos e imágenes de documentos y los convierte en JSON estructurado con microservicios y modelos de NVIDIA NIM para aplicaciones RAG.
- Estrellas
- 2,988
- Forks
- 357
- Issues abiertos
- 258
- Último commit
- hace 22 horas
¿Qué es?
NeMo Retriever Library es un framework de NVIDIA para extraer contenido y metadatos de documentos. Los divide en páginas, clasifica elementos como texto, tablas, gráficos e infografías, y ejecuta OCR para generar un esquema JSON definido. Después, el pipeline puede calcular embeddings del contenido extraído y almacenarlos en LanceDB para preparar los datos para la generación aumentada por recuperación.
El pipeline puede ejecutarse mediante microservicios de NVIDIA NIM o distintos modelos locales. El modo de biblioteca Python para proyectos pequeños funciona con modelos de Hugging Face en GPU locales o con NIM alojados en build.nvidia.com, y también puede obtener documentos de URL HTTP y HTTPS. Para cargas de trabajo de producción, el proyecto está diseñado para desplegarse en Kubernetes con un Helm chart.
En algunos materiales de producto de NVIDIA, el proyecto también se denomina NVIDIA Ingest. La rama predeterminada sigue el desarrollo activo, por lo que las versiones estables se mantienen en ramas separadas por versión.
Funciones clave
- 01Divide los documentos en páginas y clasifica texto, tablas, gráficos e infografías.
- 02Ejecuta OCR para convertir el contenido extraído a un esquema JSON definido.
- 03Calcula embeddings del contenido extraído y los almacena en LanceDB.
- 04Puede usar microservicios de NVIDIA NIM o distintos modelos locales.
- 05Obtiene documentos de URL HTTP y HTTPS con límites de solicitudes configurables.
- 06Incluye un Helm chart para desplegar el pipeline en Kubernetes.
Casos de uso
- Preparar PDF con tablas y gráficos para un chatbot de generación aumentada por recuperación.
- Crear un índice de búsqueda multimodal de documentos a partir de informes empresariales.
- Procesar la ingesta de documentos a gran escala en un clúster de Kubernetes con GPU.
- Extraer texto estructurado de documentos alojados en la web para aplicaciones LLM posteriores.
Inicio rápido
- 1
Sigue los pasos de instalación de la guía de inicio rápido en la subcarpeta nemo_retriever
- 2
Ejecuta el ejemplo de ingesta en Python del README (create_ingestor, extract, embed, ingest)
Antes de usarlo
- La rama main predeterminada está en desarrollo activo y puede estar más avanzada que la última versión compatible; para un uso estable, utiliza la rama 26.08.
- La configuración de la biblioteca en desarrollo está pensada para cargas de trabajo pequeñas, con menos de 100 PDF; para usarla en producción, se requiere un despliegue con Kubernetes y Helm.
- Los modelos alojados se ejecutan en build.nvidia.com o en endpoints de NIM, y requieren una clave de API de NVIDIA.
- El SDK opcional de Adobe para extraer PDF está sujeto a un acuerdo de licencia independiente.
Temas
Preguntas frecuentes
- ¿Qué es NeMo-Retriever?
- Pipeline escalable que extrae texto, tablas, gráficos e imágenes de documentos y los convierte en JSON estructurado con microservicios y modelos de NVIDIA NIM para aplicaciones RAG. NeMo Retriever Library es un framework de NVIDIA para extraer contenido y metadatos de documentos. Los divide en páginas, clasifica elementos como texto, tablas, gráficos e infografías, y ejecuta OCR para generar un esquema JSON definido. Después, el pipeline puede calcular embeddings del contenido extraído y almacenarlos en LanceDB para preparar los datos para la generación aumentada por recuperación.
- ¿NeMo-Retriever es gratuito? ¿Qué licencia tiene?
- NeMo-Retriever es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿NeMo-Retriever sigue mantenido?
- Mantenimiento activo. El último commit de NeMo-Retriever fue el 19 oct 2026.
- ¿Para qué puedo usar NeMo-Retriever?
- Preparar PDF con tablas y gráficos para un chatbot de generación aumentada por recuperación. Crear un índice de búsqueda multimodal de documentos a partir de informes empresariales. Procesar la ingesta de documentos a gran escala en un clúster de Kubernetes con GPU. Extraer texto estructurado de documentos alojados en la web para aplicaciones LLM posteriores.
- ¿Cómo se instala NeMo-Retriever?
- Sigue los pasos de instalación de la guía de inicio rápido en la subcarpeta nemo_retriever Ejecuta el ejemplo de ingesta en Python del README (create_ingestor, extract, embed, ingest)
- ¿Dónde consigo NeMo-Retriever?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/NVIDIA/NeMo-Retriever
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Servidor de inferencia autohospedado que sirve modelos de embeddings, reranking, OCR, extracción, seguridad y LLM desde un solo clúster mediante una API compatible con OpenAI.
3,4 mil323PythonApache-2.0Actualizado ayer
Sistema de memoria de IA local-first que almacena el historial de conversaciones íntegro y lo recupera mediante búsqueda semántica, disponible como servidor MCP y CLI.
59,7 mil7,6 milPythonMITActualizado hace 7 horas
Una capa de memoria a largo plazo, local y nativa de Markdown para agentes de IA, que guarda recuerdos en archivos editables con índices de SQLite y LanceDB.
13,5 mil1,1 milPythonApache-2.0Actualizado hace 6 horas
Toolkit de recuperación de BAAI con modelos de embeddings y reranking BGE, además de herramientas de entrenamiento, evaluación y tutoriales para búsqueda y RAG.
12,3 mil1,1 milPythonMITActualizado hace 2 meses
Herramienta de RAG agéntico que responde preguntas sobre artículos científicos y otros documentos, con citas en el texto.
9,4 mil944PythonApache-2.0Actualizado hace 7 días