• 数据集

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 tokens，CC 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 GB）：

git 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", split="train")

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）：

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：

1. 筛选：用结构化字段圈定目标人群，如region == "Scotland"或education_level为学位级
2. 构造 prompt：将professional_persona+skills_and_expertise注入 system prompt 作为用户设定
3. 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occupation+age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 🚀

• 数据集