NVIDIA выпустила набор данных Nemotron-Personas-Brazil. В нём шесть миллионов синтетических персонажей. Данные созданы для бразильских разработчиков.
Каждый персонаж говорит на португальском языке. У него есть возраст, профессия, хобби. Всего описано двадцать полей.
Данные основаны на официальной статистике. Использовали перепись населения и трудовые отчёты. Реальных людей в наборе нет.
Персонажи распределены по всем штатам. Учтены региональные особенности. Есть даже Федеральный округ.
Набор включает 457 тысяч португальских имён. Описано более 1500 профессий. Есть студенты, пенсионеры, безработные.
Данные создали с помощью системы NeMo Data Designer. Использовали модель GPT-OSS-120B. Она писала тексты на бразильском португальском.
Проект делали вместе с компанией WideLabs. У неё есть опыт работы в Латинской Америке. Они знают местный контекст.
Набор данных открыт для коммерческого использования. Лицензия — CC BY 4.0. Его можно скачать на Hugging Face.
