【免费下载链接】Nemotron-Personas-Korea项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-Korea点击查看免费下载Nemotron-Personas-Korea 是 NVIDIA 开源的韩国人设Persona数据集100 万条记录、700 万个人设描述姓名、年龄、职业、地区等属性全部按照韩国官方统计的真实分布合成。其中隐藏着一个耐人寻味的细节——最常见的完整姓名是“김영숙”金英淑。这篇文章带你拆解这个现象背后的命名规律。先搞清楚Nemotron-Personas-Korea 是什么很多人第一次听说“Persona 数据集”会问AI 训练为什么要一堆“假的人”答案是让大模型理解真实的人。训练数据里的人物如果年龄偏年轻、学历偏高、集中在大城市模型回答时就会“偏心眼”。Nemotron-Personas-Korea 的做法是把韩国的人口结构照进合成数据里关键指标数值记录数100 万条700 万个人设字段数26 个7 个人设字段 6 个属性 12 个人口统计/地理字段 1 个 UUID唯一姓名组合209,167 个118 个姓氏 × 21,400 个名字地域覆盖17 个道市、252 个市郡区数据规模17 亿 token其中 10 亿为人设文本这些属性不是拍脑袋编的而是基于韩国统计信息KOSIS、大法院姓名数据、国民健康保险公团体检数据等官方统计合成覆盖从 19 岁到百岁以上的全年龄段成年人。详细背景可查阅仓库根目录的 README.md。“金英淑”为什么能登顶一道乘法题韩国最常见的完整姓名为什么偏偏是“김영숙”金英淑拆开来看其实是两个高频因素的乘积1. 姓氏够大。金김是韩国第一大姓占整个数据集的21.5%。姓氏前五名——김(21.5%)、이(14.7%)、박(8.5%)、정(4.8%)、최(4.7%)——合计约 54%也就是说接近一半的韩国人姓这五个姓。2. 名字踩中时代。“영숙”英淑是韩国 1940–60 年代出生女性的高频名字。数据集中女性名字明显呈现世代分层高年龄段영숙英淑、정숙贞淑、순자顺子年轻世代지영智英、유진裕贞、지현智贤男性现代名지훈智勋、현우炫宇、준호俊浩金姓的人多 × 英淑这个名字在 Boom 世代里多 乘积最大自然登顶。README 中也特别提到这一结果与韩国实际调查结论一致——合成数据像不像真实社会名字是第一个可以被肉眼检验的维度。20.9 万个唯一姓名背后79% 的人有同名者数据集中名字字段的唯一值比例只有约 2.2%而按姓名组合计算约79% 的记录存在同名者。这不是数据冗余而是刻意设计韩国社会本来就同名人极多叫张智英的有 8000 人是真实存在的。如果每个名字都唯一反而违背了人口常识。这一设计让模型在根据姓名推断年龄/性别倾向时学到的是统计规律而不是一一对应的映射。名字与年龄一起长大代际规律藏在数据里名字不是孤立字段它和age、sex、marital_status婚姻状态、occupation职业等字段相互印证。年龄分布呈中间鼓的罐形50–64 岁占比最厚约 9%对应 1960–70 年代的 Baby Boom 世代往下逐年变窄则是 2000 年代以后韩国低生育率的直接投影。这意味着抽到 60 岁 的女性人设名字大概率是 순자、영숙 这类长辈名抽到 30 岁上下的女性则更可能是 지영、유진80–89 岁区间女性占比约为男性的 1.52 倍反映了真实的预期寿命差异。姓名、年龄、婚姻状态三个字段互相咬合正是这套人设数据可用于条件化生成比如给我 55 岁首尔全职主妇的人设的核心价值。新手上手三步拿到并读取数据第一步获取仓库git clone https://gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-Korea第二步了解数据文件。原始数据以 Parquet 分片存放在 data/ 目录例如 data/train-00000-of-00009.parquet共 9 个分片。第三步直接加载几行代码from datasets import load_dataset nemotron_personas load_dataset(nvidia/Nemotron-Personas-Korea)加载后即可按字段筛选比如只看首尔 40 代 已婚的人设子集。许可与使用边界许可协议CC BY 4.0商业和非商业用途均可免费使用使用边界数据集仅包含 19 岁及以上的人设所有数据完全人工合成姓名与真实人物相似纯属巧合适用场景扩展合成数据多样性、缓解训练数据偏置、提升模型回复的多样性尤其适合面向韩国市场的 Sovereign AI 开发。小结从金英淑看懂一个人设数据集金英淑登顶这件事本质上是三个设计目标的缩影姓氏分布要真、名字要有世代感、同名现象要留白。当你打开 20.9 万个姓名组合看到的不是一个名字列表而是一部被压缩进 Parquet 文件的韩国人口变迁史。如果你正在做面向东亚市场的 AI 应用这套数据值得放进你的工具箱。赞分享【免费下载链接】Nemotron-Personas-Korea项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-Korea点击查看免费下载相关推荐快速看懂Nemotron-Personas-Korea韩国首个大规模合成人物画像数据集完整指南100万记录/700万Persona快速看懂Nemotron Personas Korea韩国首个大规模合成人物画像数据集完整指南100万记录/700万Persona Nemotron Pe机器人要住30万套中国住宅户型数据为什么是空间智能最难啃的骨头机器人要住30万套中国住宅户型数据为什么是空间智能最难啃的骨头 机器人要真正进入家庭场景第一步不是学会端咖啡而是先看懂房子本身。最近行业里出现了一UeCore引擎深度解析打造你的专属魔兽世界服务器从入门到精通UeCore引擎深度解析打造你的专属魔兽世界服务器从入门到精通 UeCoreUniverse Engine Core是一款开源的MMO RPG框架作为游戏开发后端上一篇Cloud Custodian Azure 资源组孤儿资源治理磁盘、网卡与公网 IP 的检测与处置实战下一篇0.002×10^(s/50)的数学秘密logitech-pubg灵敏度换算公式深度拆解创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考