Nemotron-Personas-India 是由 NVIDIA 于 2025 年发布的印度合成人物数据集，旨在通过反映印度真实的地理和人口分布，提高合成数据的多样性，减少模型偏差，并防止模型坍塌，主要用于支持印度模型开发者构建能够融入区域特定人口统计特征和文化背景的主权 AI（Sovereign AI）系统。 该数据集包含 300 万条记录，每条记录包含 7 个虚拟人物角色，总计约 2,100 万个人物角色描述，共包含约 77 亿 Token，其中 29 亿 Token 为人物相关信息，数据覆盖印度 36 个邦及联邦属地，640 个地区，包含约 56 万个唯一人名，并提供英语（English），印地语（Devanagari 天城文）及印地语（Latin 拉丁字母）3 种语言版本，每种语言版本约包含 100 万条记录。该数据集基于印度 2011 年人口普查及选举名册等真实人口统计与地理分布信息生成，所有角色均为完全虚拟生成的人物，不对应任何真实个人身份信息，同时排除了 18 岁以下未成年人数据。

数据字段:

数据集共包含 27 个有效数据字段（除 UUID 外），分为 7 个人物属性字段与 20 个人口统计特征字段：

• 人物属性字段：涵盖职业画像、语言习惯、体育爱好、艺术特长、旅行偏好、饮食习惯以及综合性格
• 人口统计特征字段：包含文化背景、技能与专长、兴趣爱好、职业目标、性别、年龄、语言、婚姻状况、教育程度、职业类型、语言使用情况、居住地区及国家（固定为 India）

Citation

@software{nvidia/Nemotron-Personas-India,
author = {Praveen, Kiran and Vaidya, Utkarsh and Acharya, Evan and Ramaswamy, Lipika and Nathawani, Dhruv and Corneil, Dane and Meyer, Yev},
title = {{Nemotron-Personas-India: Synthetic Personas Aligned to Real-World Distributions for India},
month = {October},
year = {2025},
url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-India}