数据集【免费下载链接】Nemotron-Personas-UK项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-UK点击查看免费下载Nemotron-Personas-UK 是由 NVIDIA 基于英国真实人口普查分布生成的开源合成人物Synthetic Personas数据集包含 100 万条记录、600 万个合成人物总计约 6.18 亿 tokensCC BY 4.0 协议可自由商用。本文带你快速掌握三大核心用法训练 LLM、构建 AI Agent 用户模拟、防止 model collapse。1. 数据集一览100 万条有血有肉的合成人物 Nemotron-Personas-UK 由 NVIDIA 与伦敦 Locai Labs 合作构建使用 NeMo Data Designer 框架 概率图模型PGM gemma-4-31B-it 模型生成严格锚定英格兰及威尔士 Census 2021、苏格兰 Census 2022、北爱尔兰 Census 2021 的真实人口结构 覆盖4 个国家、12 个地区、372 个地方行政区104 个职业组SOC 2020× 86 个行业SIC 2007全部对齐官方劳动力统计 每条记录包含 6 类自然语言人物画像专业、运动、艺术、旅行、烹饪外加一个精炼的通用persona字段 附带age、municipality、education_level、occupation等 10 个结构化上下文字段可精准筛选目标人群下方的专业人物画像聚类图HDBSCAN UMAP直观展示了数据多样性不同职业、地域、背景的人物描述自然聚成大量簇而不是千篇一律的模板文本。2. 数据快速上手三步拿到 150 万 personas方式一clone 仓库7 个 Parquet 分片共 1.5 GBgit clone https://gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-UK方式二通过 datasets 库加载from datasets import load_dataset nemotron_personas load_dataset(nvidia/Nemotron-Personas-UK, splittrain)数据结构每条记录 23 个字段核心字段如下完整定义见 README.md 的 Schema 章节字段说明persona精炼的通用人物画像professional_persona/sports_persona/ …5 类主题人物画像cultural_background/hobbies_and_interests自然语言背景描述skills_and_expertise_list技能列表JSON 编码age/sex/marital_status/household_type人口属性字段occupation/industrySOC 2020 职业 / SIC 2007 行业代码municipality/region地方行政区 / 地区数据文件位于 data/ 目录例如 data/train-00000-of-00007.parquet共train-00000至train-00006七个分片。3. 训练 LLM用真实分布的人物画像做 SFT 语料最典型的用法是基于 persona 的指令微调SFT——让模型学会在不同用户画像下生成自然的对话、推荐和内容筛选用结构化字段圈定目标人群如region Scotland或education_level为学位级构造 prompt将professional_personaskills_and_expertise注入 system prompt 作为用户设定生成训练数据以 persona 为种子生成多轮对话再与真实数据混合用于 SFT上图的年龄分布与真实英国人口高度一致中位年龄 48 岁25–64 岁每个十年区间均匀分布 16%–17%18–24 岁占 10.6%——有效避免了常见合成数据年轻化偏置的问题。4. 构建 AI Agent 用户模拟给 Agent 造一批虚拟真人这是 Agent 开发者最常用的场景评估 AI 客服、助手类 Agent 时需要大量虚拟真实用户来做压力测试。按occupationage抽样目标用户群用persona作为测试用户的背景设定用cultural_background、hobbies_and_interests控制其话题偏好与表达风格让模拟用户与 Agent 进行多轮对话评估不同人群上的表现差异由于数据覆盖全部 4 国 372 个行政区你还可以评估 Agent 在不同地区文化语境下的表现——这是普通合成数据集很难做到的。婚姻状态 × 年龄的分布与真实人口吻合65–74 岁已婚率 64.4%、85 岁丧偶率 59.3%意味着模拟出的用户人生阶段真实可信。5. 防 model collapse把统计上像真实的合成数据回灌训练Model collapse模型坍缩指反复用模型自身输出去训练模型时质量逐代退化。预防关键在于回灌统计分布贴近真实数据的合成语料。Nemotron-Personas-UK 正是为此设计每个国家独立建立 PGM保证年龄 × 性别 × 地区 × 职业等联合分布与普查一致通过迭代比例拟合IPF恢复被隐私抑制的长尾分布46.7 万组合全名2.7 万名字 2.5 万姓氏防止人名同质化家庭类型分布随年龄呈现真实的生活形态变化——年轻人合租、中年有子女家庭、85 岁 50.2% 独居——正是这种细粒度多样性在对抗坍缩。6. 许可与注意事项 ⚠️✅ 协议为CC BY 4.0可用于任何模型的训练商用或非商用均可⚠️ 仅覆盖 18 岁以上成人⚠️ 民族、宗教、姓名、地址等敏感字段未发布仅用于人物文本的条件生成⚠️ 所有数据均为完全合成的虚构人物不代表任何真实个体 完整的字段统计、数据来源与质量评估参见 README.md把 Nemotron-Personas-UK 加入你的合成数据工作流一次获取训练语料 评测用户 抗坍缩数据源三合一能力从 100 万条真实分布的英国人物画像开始你的下一次模型迭代吧 赞分享数据集【免费下载链接】Nemotron-Personas-UK项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-UK点击查看免费下载相关推荐5个实战用例如何用Nemotron-Personas-Korea做合成数据生成、模型去偏与LLM训练5个实战用例如何用Nemotron Personas Korea做合成数据生成、模型去偏与LLM训练 Nemotron Personas Korea 是 NVMatrAIx_Persona_1M应用实战用它为LLM做用户模拟、评估与Prompt工程MatrAIx_Persona_1M应用实战用它为LLM做用户模拟、评估与Prompt工程 MatrAIx_Persona_1M 是一个开源的百万级 PersTRADES防御机制从理论到实践的鲁棒性革命TRADES防御机制从理论到实践的鲁棒性革命 技术原理深度剖析 在对抗性机器学习领域TRADES框架通过创新的替代损失函数设计重新定义了模型鲁棒性的优化范创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考