Nemotron-PII 是由 NVIDIA 于 2025 年发布的一个面向隐私保护AI的合成数据集，旨在训练和评估文本中个人身份信息（PII）和健康信息（PHI）的检测与脱敏能力。

该数据集包含 100,000 条英文记录，涵盖 50 多个行业领域，采用基于美国人口普查数据的合成角色生成，确保人口统计学的现实感和上下文一致性。 数据集包含 55 多种 PII/PHI 类别的跨度级标注，涵盖结构化（如表格、发票）和非结构化（如邮件、自由文本）文档，并明确标注了美国或国际本地化惯例。

数据集组成

• uid: 字符串/UUID
• domain: 字符串，表示行业领域
• document_type: 字符串，文档类型
• document_description: 字符串，文档描述
• document_format: 字符串，结构化或非结构化
• locale: 字符串，us 或 intl
• text: UTF-8 字符串，文档内容
• spans: 列表，包含实体边界和标签
• text_tagged: 字符串，内联标记文本

Citation

@dataset{nemotron-pii,
  author = {Amy Steier and Andre Manoel and Alexa Haushalter and Maarten Van Segbroeck},
  title = {Nemotron-PII: Synthesized Data for Privacy-Preserving AI},
  year = {2025},
  publisher = {NVIDIA},
  url = {https://huggingface.co/datasets/nvidia/Nemotron-PII}
}