从Nguyễn到10.7万个唯一姓名：Nemotron-Personas-Vietnam六百万越南Persona背后的文化设计逻辑

数据集人工智能大模型【免费下载链接】Nemotron-Personas-Vietnam项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-Vietnam点击查看免费下载Nemotron-Personas-Vietnam是首个大规模越南语 Persona人物画像数据集100 万条记录、600 万个越南语 Persona、约 20 亿 tokens全部基于越南总统计司GSO2024 年人口普查等真实统计分布合成覆盖 34 个省市与 54 个民族可免费用于商业与非商业场景CC BY 4.0。这篇文章带你拆解开这套数据是如何把越南味——从最常见的姓氏 Nguyễn 到婚姻、学历、职业结构——系统地编码进每一条合成记录的。一、它是什么一套对齐真实分布的合成越南 PersonaNemotron-Personas-Vietnam 由 NVIDIA 联合 FPT Smart Cloud 与 FPT 量子 AI 与网络安全研究院开发使用 NeMo Data Designer企业级复合 AI 合成数据系统 专有概率图模型PGMSaoLa-Small-32B模型生成并内置了验证与评估流程。它的定位很明确帮助越南及关注东南亚语种的模型开发者构建主权 AISovereign AI用真实的人口学分布替代粗放的通用 Persona从而减少训练数据与模型中的地域/人群偏差提升越南语模型回答的多样性与真实感补上人口老龄化、城乡差异、民族多样性等常被忽略的维度。原始数据以 parquet 分片存放例如 data/train-00000-of-00011.parquet共 11 个分片总计约 2.25 GB。二、姓名设计10.7 万个唯一姓名里的世代与地域密码这是整套数据最文化的部分。姓名不是随机拼接而是基于越南真实命名数据构建姓氏占比Nguyễn阮约 33%Trần陈约 10%Lê黎约 8%Phạm范约 6%Phan潘约 4%Hoàng黄约 3%100 万条记录中只生成了106,572 个唯一全名——刻意控制重复率模拟同名者不少、但绝大多数人名字唯一的真实社会面貌。更有意思的是世代信号年长 Persona 更多出现 Văn、Thị、Minh、Hùng 这类承载传统美德与价值观的名字年轻 Persona 则更多使用现代风格的名字。也就是说光看名字就能大致猜出这个 Persona 的年龄段——这正是越南命名文化的真实写照也被完整保留了下来。三、年龄与婚姻把越南人口转型写进金字塔每条记录都包含sexNam/Nữ、age18 岁以上、marital_status独身、已婚、离异、丧偶 4 类等字段其分布锚定《2024 年越南统计年鉴》。从图中可以看出几个刻意为之的设计最厚的一层对应后革新Đổi mới后期出生的人群1980s 末—1990s 初出生高峰体现越南正从年轻人口向中年占比上升转型年轻层逐渐收窄反映 2000 年代以来的生育率下降婚姻状态随年龄变化18–24 岁未婚占比高大城市河内、胡志明市晚婚趋势明显大龄组丧偶比例上升女性更高对应更长预期寿命。这些都不是平均脸而是有城乡区分的人口学结构。四、学历与职业34 个省市、144 个职业的真实落差学历education_level7 档与职业occupation144 个细分职业映射到 ISCO-08 的 10 个大组是数据里的两个空间维度大学及以上学历占比胡志明市 31.2%、顺化 26.1%、河内 25.7%而莱州仅 3.7%、宣光 4.8%、老街 5.0%全国平均 17.0%城乡落差城市 31.5% vs 农村 7.9%职业结构体现经济转型专业与服务类占比高 Đồng Nai、海防等工业中心制造业突出电商带动零售/商业类占比上升官方也坦承局限由于职业词表不含家政、搬运、废品回收等岗位基础劳动组仅占 5.1%真实为 24.6%差额主要由服务与销售类吸收。五、数据集结构21 个字段如何组成一个人每条记录由 4 类字段拼成一个完整 Persona所有叙述字段均为标准越南语类别字段说明6 类 Personaprofessional / sports / arts / travel / culinary / persona职业、体育、艺术、旅行、美食五段场景化人设 1 段综合摘要每条记录约 200 tokens6 类属性cultural_background、skills_and_expertise_list、hobbies_and_interests_list、career_goals_and_ambitions文化背景、技能专长、兴趣爱好、职业目标自然语言描述8 类上下文sex、age、marital_status、education_level、occupation、zone、region、country人口与地理锚点保证分布对齐 GSO 统计1 个标识uuid全局唯一 ID规模速览1,000,000 条记录6,000,000 个 Persona 描述2B tokens其中 persona tokens 1.14B用对越南语更省 token 的 Qwen3.5 tokenizer 约 563M34 省市、6 大经济社会区、54 个民族、仅含 18 岁以上成年人完整字段与 token 统计见 README.md。加载方式只有一行Hugging Facedatasets库from datasets import load_dataset nemotron_personas load_dataset(nvidia/Nemotron-Personas-Vietnam, splittrain)六、边界与注意事项什么不在数据里不含真实个人数据完全由合成方法生成与任何真实人物相似纯属巧合不含姓名以外的人格特征如完整姓氏字段、personality traits 等被刻意排除企业级扩展版可通过 NVIDIA 单独获取不含未成年人与金融、医疗等企业专属 Persona存在建模假设PGM 对部分变量采用独立性假设如分配细分职业时性别/学历/年龄被假定为独立影响因子使用时需知晓这一近似。七、为什么值得关注主权 AI 时代的越南语数据底座对东南亚 AI 开发者而言这份数据集的价值在于三点分布真实性——用 2024 年人口普查、VHLSS 2024、统计年鉴做锚点而不是拍脑袋生成文化颗粒度——姓名世代信号、54 个民族、2025 年合并后的 34 个行政单位是通用 Persona 库给不了的开源可用——CC BY 4.0商业与非商业用途均免费。版本节奏v1.0 于 2026-06-04 发布v2.0扩展版于 2026-10-15 发布扩展版可直接在 NeMo Data Designer 中使用。引用建议若用于论文请按 README.md 中的software格式引用作者、标题、2026 年 10 月。总结Nemotron-Personas-Vietnam 用 10.7 万个唯一姓名、20 亿越南语 tokens把越南的人口学现实翻译成了可训练的合成数据。如果你正在做越南语 LLM 微调、评测或角色化应用它是目前最完整的开源起点。赞分享数据集人工智能大模型【免费下载链接】Nemotron-Personas-Vietnam项目地址https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-Personas-Vietnam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从Filter到FunnelLucide图标库命名演进背后的设计逻辑从Filter到FunnelLucide图标库命名演进背后的设计逻辑 你是否在使用Lucide图标库时遇到过图标命名混乱的问题特别是Filter与Funne前端UI组件设计系统Nemotron-Personas-Korea的26个字段全解析从7类Persona到人口统计属性的数据Schema深度指南Nemotron Personas Korea的26个字段全解析从7类Persona到人口统计属性的数据Schema深度指南 Nemotron Persona上一篇重磅升级SeleniumBase新功能highlight_if_visible让元素调试效率提升300%下一篇5个技巧让DBeaver数据验证提速10倍从卡顿到飞一般的体验创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考