Nemotron-Personas-Japan ist ein Datensatz mit synthetischen menschlichen Figuren, der von NVIDIA im Jahr 2025 veröffentlicht wurde. Er soll die Vielfalt und den Reichtum der japanischen Bevölkerung aufzeigen und wird in erster Linie zur Unterstützung der Entwicklung souveräner KI-Systeme, des Trainings großer Sprachmodelle und zur Reduzierung von Verzerrungen in synthetischen Daten verwendet. Dieser Datensatz umfasst 1 Million Einträge mit jeweils 6 virtuellen Charakteren, insgesamt etwa 6 Millionen Charakterbeschreibungen und ca. 1,4 Milliarden Token, von denen 850 Millionen den Charakteren zugeordnet sind. Die Daten decken alle 47 Präfekturen Japans, über 1.500 Berufskategorien und mehr als 950.000 eindeutige Namen ab. Der Datensatz basiert auf offiziellen japanischen demografischen Daten, der geografischen Verteilung und der Verteilung von Persönlichkeitsmerkmalen. Alle Charaktere sind rein virtuell und entsprechen keinerlei realen Personendaten. Daten von Minderjährigen unter 18 Jahren wurden ausgeschlossen. Datenfelder: Der Datensatz enthält 22 gültige Datenfelder (ohne UUID), die in 6 Felder für Persönlichkeitsmerkmale und 16 Felder für demografische Merkmale unterteilt sind:

• Charakterattributfelder: umfassen Berufsprofil, sportliche Hobbys, künstlerische Talente, Reisevorlieben, Ernährungsgewohnheiten und die allgemeine Persönlichkeit.
• Zu den demografischen Merkmalen gehören: Fähigkeiten und Fachkenntnisse, Interessen und Hobbys, Karriereziele, Geschlecht, Alter, Sprache, Familienstand, Bildungsniveau, Berufsart sowie Region und Land des Wohnsitzes (festgelegt auf Japan).

Zitat

@software{nvidia/Nemotron-Personas-Japan,
author = {Fujita, Atsunori and Gong, Vincent and Ogushi, Masaya and Yamamoto, Kotaro and Suhara, Yoshi and Corneil, Dane and Meyer, Yev},
title = {{Nemotron-Personas-Japan}: Synthetic Personas Aligned to Real-World Distributions},
month = {September},
year = {2025},
url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-Japan}
}