Nemotron-Personas-Germany-Extended

A compound AI approach to synthetic personas grounded in real-world distributions

Datensatzübersicht (Dataset Overview)

Nemotron-Personas-Germany-Extended ist ein Open-Source-Datensatz (CC BY 4.0) mit synthetisch generierten Personas, die auf realen demografischen, geografischen und persönlichkeitsbezogenen Verteilungen in Deutschland basieren, um die Vielfalt der Bevölkerung abzubilden. Es ist der erste deutsche Datensatz dieser Art, der auf Statistiken zu Namen, Geschlecht, Alter, Nationalität, Migrationshintergrund, Religionszugehörigkeit, Familienstand, Haushaltsform, Bildung, Erwerbstätigkeit, Beruf und Wohnort basiert. Die Daten wurden unter Verwendung offizieller Statistiken aus der deutschen Volkszählung 2022 (Zensus 2022) synthetisiert, die vom Statistischen Bundesamt (Destatis) und den Statistischen Ämtern der Bundesländer veröffentlicht wurden. Dieser Datensatz entstand in Zusammenarbeit mit Soofi, einem Konsortium deutscher KI-Forschungsinstitute und Start-ups, das souveräne Open-Source-Basismodelle für deutsche und europäische Unternehmen entwickelt.

Nemotron-Personas-Germany-Extended unterstützt Modellentwickler bei der Entwicklung souveräner KI-Systeme, die wichtige regionsspezifische, demografische, sprachliche und kulturelle Kontexte einbeziehen. Der Datensatz verbessert die Vielfalt bei der Generierung synthetischer Daten, mindert Verzerrungen in Daten und Modellen und trägt dazu bei, einen Modellkollaps (Leistungsabfall aufgrund unkontrollierten Trainings anhand der Ausgaben eines anderen Modells) zu verhindern, indem er die tatsächlichen geografischen und demografischen Verteilungen in Deutschland über alle 16 Bundesländer und 400 Kreise (Landkreise und kreisfreie Städte) hinweg widerspiegelt. Insbesondere ist der Datensatz so konzipiert, dass er die zugrunde liegenden demografischen Verteilungen entlang mehrerer Achsen repräsentativer abbildet als frühere Persona-Datensätze, darunter regionale Vielfalt (z. B. die Stadtstaaten Berlin, Hamburg und Bremen, die bevölkerungsreichen westlichen und südlichen Bundesländer sowie die östlichen Bundesländer), Migrationshintergrund und Staatsangehörigkeit, Religionszugehörigkeit, Haushaltszusammensetzung, Bildungsniveaus und ein breites Spektrum an Berufen. So lassen sich beispielsweise hochwertige Chat-Konversationsdaten mit mehreren Gesprächsrunden erstellen, die realistische Namen, Altersangaben und Hintergründe enthalten und die authentische deutsche Lebensrealität widerspiegeln, wodurch diese Daten einzigartige Perspektiven und regionale Nuancen erhalten.

Der Datensatz wurde mit dem NeMo Data Designer erstellt, einem System zur Generierung synthetischer Daten. Er nutzt ein proprietäres probabilistisches grafisches Modell (PGM) in Verbindung mit einem unter der Apache-2.0-Lizenz stehenden Gemma-4-31B-Modell sowie einer ständig wachsenden Anzahl von Validatoren und Evaluatoren, die in den Data Designer integriert sind.

Der Datensatz gestattet die kommerzielle Nutzung.

—

Nemotron-Personas-Germany-Extended is an open-source (CC BY 4.0) dataset of synthetically-generated personas grounded in real-world demographic, geographic, and personality trait distributions in Germany, to capture the diversity and richness of the population. It’s the first German dataset of its kind aligned with statistics for names, sex, age, nationality, migration background, religious affiliation, marital status, household type, education, employment, occupation, and location. All data is synthesized using official statistics from the 2022 German census (Zensus 2022) published by the Federal Statistical Office of Germany (Destatis) and the statistical offices of the Länder. This dataset was created in collaboration with Soofi, a consortium of German AI research institutes and startups that develops sovereign open-source models for German and European companies.

Nemotron-Personas-Germany-Extended supports German model builders in developing Sovereign AI systems that incorporate important region-specific demographics, language, and cultural context. The dataset improves diversity of synthetic data generation, mitigates data and model biases, and helps prevent model collapse (degradation caused by uncurated training on another model’s outputs) by reflecting Germany’s real geographic and demographic distributions across all 16 federal states (Bundesländer) and 400 districts (Landkreise and kreisfreie Städte). In particular, the dataset is designed to be more representative of underlying demographic distributions along multiple axes, including regional diversity (e.g., the city-states of Berlin, Hamburg and Bremen, the populous western and southern states, and the eastern states), migration background and nationality, religious affiliation, household composition, education levels, and a wide array of occupations, as compared to past persona datasets. As an example, one can produce high-quality multi-turn chat conversation data with realistic names, ages, and backgrounds that reflect the authentic German experience, bringing unique perspectives and regional nuances to that data.

Produced using NeMo Data Designer, an enterprise-grade compound AI system for synthetic data generation, the dataset leverages a proprietary Probabilistic Graphical Model (PGM) along with an Apache-2.0-licensed google/gemma-4-31B-it model and an ever-expanding set of validators and evaluators built into Data Designer.
Nemotron-Personas-Germany-Extended is available for use in NeMo Data Designer itself.

This dataset is ready for commercial use.

Was NICHT im Datensatz enthalten ist (What is NOT in the dataset)

Alle Daten spiegeln zwar reale Verteilungen wider, sind aber vollständig künstlich erzeugt. Jede Ähnlichkeit von Namen oder Persona-Beschreibungen mit realen Personen, lebend oder verstorben, ist rein zufällig.

–

All data, while mirroring real-world distributions, is completely artificially generated. Any similarity in names or persona-descriptions to actual persons, living or dead, is purely coincidental.

Datensatzersteller (Data Developer)

Soofi & NVIDIA Corporation

Veröffentlichungsdatum (Release Date)

October 19, 2026

Erstellungsdatum (Dataset Creation Date)

October 15, 2026

Lizenz und Nutzungsbedingungen (License/Terms of Use)

Dieser Datensatz unterliegt der Creative Commons Attribution 4.0 International License (CC-BY-4.0)

–

This dataset is governed by the Creative Commons Attribution 4.0 International License (CC-BY-4.0).

Anwendungsfälle (Use Case)

Entwicklerinnen und Entwickler, die an souveräner KI und am Training von LLMs arbeiten und/oder die Vielfalt synthetisch generierter Daten erhöhen, Verzerrungen in Daten und Modellen mindern und Modellkollaps verhindern wollen.

–

Developers working on Sovereign AI, training LLMs and/or looking to improve diversity of synthetically generated data, mitigate data/model biases, and prevent model collapse.

Datenversion (Data Version)
1.0 (19.10.2026)

Vorgesehene Verwendung (Intended Use)

Der Datensatz Nemotron-Personas-Germany-Extended soll der Community dienen, offene Modelle weiter zu verbessern und den Stand der Technik voranzubringen. Die Daten dürfen frei zum Training beliebiger Modelle verwendet werden. Wir freuen uns über Rückmeldungen aus der Open-Source-Community und laden Entwicklerinnen und Entwickler, Forschende und Datenbegeisterte ein, den Datensatz zu erkunden und darauf aufzubauen.

Der Datensatz basiert auf den Verteilungen der selbst berichteten demografischen Daten des Zensus 2022. Sein Hauptziel ist es, die Entwicklung souveräner KI zu unterstützen, indem fehlende Daten und/oder mögliche Verzerrungen in heutigen Trainingsdaten ausgeglichen werden – insbesondere bei bestehenden Persona-Datensätzen, die für die Generierung synthetischer Daten verwendet werden. Trotz der verbesserten Datenvielfalt und der höheren Treue zur deutschen Bevölkerung sind wir weiterhin durch die Datenverfügbarkeit und eine vertretbare Modellkomplexität begrenzt. Daraus ergeben sich einige notwendige Unabhängigkeitsannahmen. Ebenso liegen umfassende Statistiken zur Geschlechtsidentität, unabhängig vom biologischen Geschlecht, in der amtlichen Volkszählung nicht in granularer Form vor. Weitere Verbesserungen überlassen wir künftigen Arbeiten. Namen sind eine statistische Näherung, kein Zensus.

Der Datensatz umfasst ausschließlich Erwachsene (ab 18 Jahren).

—

The Nemotron-Personas-Germany-Extended dataset is intended to be used by the community to continue to improve open models and push the state of the art. The data may be freely used to train any model. We welcome feedback from the open-source community and invite developers, researchers, and data enthusiasts to explore the dataset and build upon it.

The Nemotron-Personas-Germany-Extended dataset is grounded in distributions of self-reported demographic data in the 2022 German census (Zensus 2022). As such, its primary goal is to support Sovereign AI development by combating missing data and/or potential biases present in model training data today, especially when it comes to existing persona datasets used in synthetic data generation. Despite the improved data diversity and fidelity to Germany’s population, we are still limited by data availability and reasonable model complexity. This results in some necessary independence assumptions. Similarly, comprehensive statistics on gender identity, independent of biological sex, are not fully available in a granular format from the national census. We leave further efforts to improve fidelity to future work. Names are a proxy, not a census.
Note that the dataset is focused on adults only (18+ years).

Details zum Datensatz (Dataset Details)

Der Datensatz enthält:

• 1 Mio. Datensätze in deutscher Sprache mit je 9 Personas, insgesamt 9 Mio. Personas
• 42 Felder: 9 Persona-Felder, 6 Persona-Attributfelder, 19 Kontextfelder auf Basis amtlicher Bevölkerungs- und Arbeitsmarktstatistik, 5 Big-Five-Persönlichkeitsfelder (OCEAN), 2 Namensfelder und eine eindeutige Kennung
• 1,74 Mrd. Tokens insgesamt, davon ~734 Mio. Persona-Tokens
• Umfassende Abdeckung der demografischen, geografischen und Persönlichkeitsachsen
• ~775.000 eindeutige Vor-/Nachnamen-Kombinationen (15.835 eindeutige Vornamen und 80.853 eindeutige Nachnamen)
• Verschiedene Persona-Typen: Beruf, Sport, Kunst, Reisen, Kulinarik, Gesundheit, Finanzen sowie eine kurze und eine ausführliche Allzweck-Persona
• Persona-Attribute in natürlicher Sprache: kultureller Hintergrund, Fähigkeiten und Fachwissen, Ziele und Ambitionen, Hobbys und Interessen

—

The dataset contains:

• 1M records in German with 9 personas per record, for 9M personas total
• 42 fields: 9 persona fields, 6 persona-attribute fields, 19 contextual fields grounded in official demographic and labor statistics, 5 Big Five (OCEAN) personality-trait fields, 2 name fields, and a unique identifier
• 1.74 billion tokens total, including ~734M persona tokens
• Comprehensive coverage across demographic, geographic, and personality trait axes
• ~775k unique first/last name combinations (15,835 unique first names and 80,853 unique last names)
• A variety of persona types: professional, sports, arts, travel, culinary, healthcare, finance, plus concise and detailed general-purpose personas
• Natural language persona attributes: cultural background, skills & expertise, goals & ambitions, hobbies & interests

Ausgangsdaten (Seed Data)

Um die soziodemografische und geografische Vielfalt und Komplexität der Bevölkerung Deutschlands abzubilden, nutzt Nemotron-Personas-Germany-Extended:

• Daten der Volkszählung (Zensus 2022), veröffentlicht vom Statistischen Bundesamt (Destatis) und den Statistischen Ämtern der Länder
• Die Klassifikation der Berufe 2010 (KldB 2010) der Bundesagentur für Arbeit, einschließlich geschlechtsspezifischer und geschlechtsneutraler Berufsbezeichnungen
• Vor- und Nachnamen aus Namensvokabularen auf Basis von Wikidata (CC0; deutsche Vor- und Nachnamen nach Geschlecht und Geburtsjahrzehnt sowie Herkunftspools nach Staatsangehörigkeit), deren Häufigkeiten am D-Info-2005-Namenshäufigkeitsdatensatz kalibriert sind
• Vornamen der ab 2000 geborenen Kohorte aus Geburtsregister-Daten nordrhein-westfälischer Kommunen über Open.NRW: Stadt Essen und Landeshauptstadt Düsseldorf (Datenlizenz Deutschland – Namensnennung – 2.0) sowie die Kommunen des Rhein-Erft-Kreises und des Kreises Düren über das Portal des KDVZ Rhein-Erft-Rur (CC BY 4.0)

—

In order to capture the socio-demographic and geographic diversity and complexity of Germany’s population, Nemotron-Personas-Germany-Extended leveraged:

• Population census data (Zensus 2022) published by the Federal Statistical Office of Germany (Destatis) and the statistical offices of the Länder
• The German Classification of Occupations 2010 (KldB 2010) published by the Federal Employment Agency (Bundesagentur für Arbeit), including gender-specific and gender-neutral occupation titles
• First and last names are drawn from name vocabularies built from Wikidata (CC0; German given names and surnames by sex and decade of birth, plus heritage pools by country of citizenship), with frequencies calibrated to the D-Info 2005 name-frequency dataset
• First names of the cohort born from 2000 onward from municipal birth-register open data in North Rhine-Westphalia via Open.NRW: Stadt Essen and Landeshauptstadt Düsseldorf (Datenlizenz Deutschland – Namensnennung – 2.0) and the municipalities of the Rhein-Erft and Düren districts via the KDVZ Rhein-Erft-Rur portal (CC BY 4.0)

Beschreibung des Datensatzes und Qualitätsbewertung (Dataset Description & Quality Assessment)

Die folgende Analyse schlüsselt den Datensatz entlang verschiedener Achsen auf, um die eingebaute Vielfalt und die Musterkomplexität der deutschen demografischen Daten zu verdeutlichen.

–

The analysis below provides a breakdown across various axes of the dataset to emphasize the built-in diversity and pattern complexity of the German demographic data.

Namen (Names)

Namen sind als eigene Felder (first_name, last_name) enthalten und fließen zusätzlich in die Persona-Generierung ein. Der Datensatz enthält 15.835 eindeutige Vornamen und 80.853 eindeutige Nachnamen, die ~775.000 eindeutige Vor-/Nachnamen-Kombinationen bilden. Das Namensvokabular stammt aus Wikidata (CC0), die Häufigkeiten sind am D-Info-2005-Namenshäufigkeitsdatensatz (CC BY 4.0) kalibriert; die Namen werden bedingt auf Geschlecht, Geburtskohorte, Staatsangehörigkeit, Kreis und Einwanderungsgeschichte gezogen, sodass die Personas realistische Namensmuster über Regionen und Bevölkerungsgruppen in Deutschland hinweg widerspiegeln.

—

Names are provided as dedicated fields (first_name, last_name) and are also infused into persona generation. The dataset contains 15,835 unique first names and 80,853 unique last names, forming ~775k unique first/last-name combinations. The name vocabulary comes from Wikidata (CC0); frequencies are calibrated to the D-Info 2005 name-frequency dataset (CC BY 4.0). Names are sampled conditional on sex, birth cohort, nationality, district and migration background, so that personas reflect realistic naming patterns across regions and communities in Germany.

Altersverteilung (Age Distribution)

Die Altersverteilung von Nemotron-Personas-Germany-Extended spiegelt die reale demografische Struktur des Landes wider. Die erwachsene Bevölkerung konzentriert sich auf die 50- bis 64-Jährigen – die geburtenstarken Jahrgänge der späten 1950er- und der 1960er-Jahre – mit einem Medianalter von 52 Jahren. Ab 65 nehmen die Zahlen stetig ab, mit einem sichtbaren Einschnitt bei den 75- bis 79-Jährigen, der die geburtenschwachen Jahrgänge am Ende des Zweiten Weltkriegs abbildet. Die Anteile von Männern und Frauen sind bis ins mittlere Alter nahezu gleich, während Frauen in den höheren Altersgruppen zunehmend in der Überzahl sind (1,6 Frauen je Mann ab 80), was die höhere Lebenserwartung von Frauen widerspiegelt.

Minderjährige unter 18 Jahren sind nicht im Datensatz enthalten.

–

The age distribution of Nemotron-Personas-Germany-Extended mirrors the country’s real demographic structure. The adult population is concentrated between 50 and 64 years, reflecting the large baby-boomer cohorts born in the late 1950s and 1960s, with a median age of 52. After 65, counts decline steadily, with a visible dip at 75–79 that reflects the small birth cohorts at the end of the Second World War. Male and female shares are nearly equal through midlife, while women increasingly outnumber men in older age groups (1.6 women per man aged 80+), reflecting higher female longevity.

Note that minors under 18 are excluded from this dataset.

Familienstand nach Altersgruppe (Marital Status by Age Group)

Die Heatmap zeigt für jede Alterskohorte den Anteil der Personen nach Familienstand (ledig; verheiratet oder in eingetragener Lebenspartnerschaft; geschieden oder Lebenspartnerschaft aufgehoben; verwitwet oder Lebenspartner/-in verstorben; ohne Angabe – gemäß der Standardaggregation der Zensus-2022-Kategorien durch Destatis). Fast alle 18- bis 24-Jährigen sind ledig; ab Ende 30 wird „verheiratet” zum häufigsten Status und erreicht bei den 60- bis 74-Jährigen mit rund zwei Dritteln den Höchstwert. Scheidungen sind im mittleren Alter am häufigsten (rund 16 % der 55- bis 64-Jährigen), während Verwitwung ab 70 stark zunimmt und ab Ende 80 dominiert (76 % bei 95+). All dies ist relevant, um authentische Lebenswelten und Personas im deutschen Kontext abzubilden.

–

The heatmap below displays the fraction of people for each age cohort by marital status (single; married or in a registered partnership; divorced or with a dissolved partnership; widowed or with a deceased partner; and not stated, following Destatis’ standard aggregation of the Zensus 2022 categories). Almost all 18–24-year-olds are single, and marriage becomes the most common status from the late 30s, peaking at about two thirds of people aged 60–74. Divorce is most common in midlife (about 16% of those aged 55–64), while widowhood rises sharply after 70 and dominates from the late 80s onward (76% at 95+). All of these considerations are relevant to informing authentic life experiences and personas in the German context.

Haushaltstyp nach Altersgruppen (Household Type by Age Group)

Die Heatmap zeigt für jede Alterskohorte, in welchem Haushaltstyp die Personas leben (beschrieben wird der Haushalt, nicht die eigene Rolle der Persona darin). Die meisten 18- bis 19-Jährigen leben noch bei ihren Eltern: 48 % in einem Paarhaushalt mit Kindern und 37 % bei einem alleinerziehenden Elternteil. Paarhaushalte mit Kindern sind von Anfang 30 bis Anfang 50 erneut am häufigsten, wenn die Personas eigene Familien gründen. Ab Mitte 50 dominieren Paare ohne Kinder, und ab Mitte 80 werden Einpersonenhaushalte zum häufigsten Typ – rund zwei Drittel der über 90-Jährigen.

–

The heatmap below shows, for each age cohort, the type of household personas live in (note that this describes the household, not the persona’s own role in it). Most 18–19-year-olds still live with their parents: 48% in a couple-with-children household and 37% with a single parent. Couple-with-children households are again the most common from the early 30s to the early 50s, as personas start their own families. From the mid-50s onward, couples without children dominate, and single-person households become the most common type from the mid-80s, reaching about two thirds of those aged 90+.

Bildungsniveau nach Altersgruppe (Education Level by Age Group)

Die Heatmap zeigt die Muster des Bildungsstands (höchster beruflicher oder akademischer Abschluss) über die Alterskohorten in Deutschland. Eine Lehre im dualen Ausbildungssystem ist in jeder Kohorte ab Mitte 20 der häufigste Abschluss, was die zentrale Rolle der beruflichen Bildung in Deutschland widerspiegelt; Fachschulabschlüsse (z. B. Meister oder Techniker) erreichen bei den 55- bis 64-Jährigen ihren Höchstwert. Hochschulabschlüsse sind bei den 25- bis 39-Jährigen am verbreitetsten (31–33 %) und nehmen in den älteren Kohorten stetig ab, in denen der Anteil ohne beruflichen Abschluss wieder steigt. Diese Muster zeigen den historischen Wandel des Bildungszugangs und veränderte gesellschaftliche Normen zu formaler Bildung.

–

The heatmap below captures patterns of educational attainment (highest vocational or academic qualification) across age cohorts in Germany. An apprenticeship in the dual vocational training system is the most common qualification in every cohort from the mid-20s onward, reflecting the central role of vocational training in Germany, while trade and technical school qualifications (e.g., master craftsman or technician) peak among 55–64-year-olds. University degrees are most prevalent among personas aged 25–39 (31–33%) and decline steadily in older cohorts, where the share without a vocational qualification rises again. These patterns highlight historical shifts in access to schooling and changing social norms regarding formal education.

Regionale Unterschiede im Bildungsstand (Geographic Intricacies of Education Attainment)

Dieser Ausschnitt zeigt, wie die Geografie den Bildungsstand und damit die Persona-Beschreibungen prägt. Die Choroplethenkarte zeigt für jeden Kreis den Anteil der Einwohner ab 25 Jahren mit Hochschulabschluss (Bachelor, Master, Diplom oder Promotion) und macht die deutlichen räumlichen Unterschiede zwischen Universitätsstädten und Metropolregionen einerseits und ländlichen Kreisen andererseits sichtbar – bezogen auf den Bundesdurchschnitt von 22,5 %. Universitätsstädte wie Heidelberg (47,0 %), Erlangen (45,9 %), München (45,3 %) und Freiburg im Breisgau (41,8 %) liegen vorn, während der ländliche Kreis Wittmund (7,7 %) sowie die Städte Delmenhorst (10,2 %) und Pirmasens (6,1 %) weit darunter liegen. Auf Länderebene führen die Stadtstaaten Berlin (35,5 %) und Hamburg (35,1 %); Sachsen-Anhalt (16,1 %) bildet das Schlusslicht.

—

This slice of the dataset demonstrates how geography informs education and therefore persona descriptions. The choropleth map shows, for each district (Kreis), the share of residents ages 25 and older who hold a university degree (Bachelor, Master, Diplom or doctorate), revealing marked spatial variation between university cities and metropolitan areas and rural districts, relative to the national average of 22.5%. University cities such as Heidelberg (47.0%), Erlangen (45.9%), Munich (45.3%) and Freiburg (41.8%) lead, while the rural district of Wittmund (7.7%) and the cities of Delmenhorst (10.2%) and Pirmasens (6.1%) sit far below it. At the state level, the city-states of Berlin (35.5%) and Hamburg (35.1%) rank highest and Saxony-Anhalt (16.1%) lowest.

Berufsgruppen (Occupational Categories)

Das Histogramm zeigt die Verteilung der derzeit erwerbstätigen Personas (~597.000, 59,7 % aller Datensätze) auf die großen Berufsgruppen. Diese beruhen auf den zehn Berufsbereichen der Klassifikation der Berufe 2010 (KldB 2010) und werden zusätzlich durch demografische und geografische Verteilungen geprägt. Die Abbildung zeigt die Gewichte der verschiedenen Beschäftigungsbereiche im Datensatz, etwa Gesundheit, Soziales, Lehre und Erziehung (21 %), Unternehmensorganisation, Buchhaltung, Recht und Verwaltung (18 %) sowie Rohstoffgewinnung, Produktion und Fertigung (18 %). Die rechte Tafel zeigt die Bildungsstruktur innerhalb der Bereiche: Hochschulabschlüsse dominieren in Sprach-, Literatur-, Geistes-, Gesellschafts- und Wirtschaftswissenschaften, Medien, Kunst und Kultur (59 %) sowie in Naturwissenschaft, Geografie und Informatik (51 %), während in Produktion, Bau, Verkehr und kaufmännischen Berufen rund die Hälfte der Beschäftigten eine Lehre hat.

—

The histogram below reflects the professional distribution of the currently employed personas (~597k, 59.7% of all records) across major occupation categories. These categories are grounded in the ten occupational areas (Berufsbereiche) of the German Classification of Occupations 2010 (KldB 2010) and are further informed by demographic and geographic distributions. This figure illustrates the prevalence of different workforce sectors in the dataset, such as health, social services, teaching and education (21%), business organisation, accounting, law and administration (18%), and production and manufacturing (18%). The right-hand panel shows the education mix within each area: university degrees dominate in the humanities, media and arts (59%) and in the natural sciences and IT (51%), while apprenticeships account for about half of all workers in production, construction, transport and commercial occupations.

Vielfalt der Personas (Personas Diversity)

Die genannten Attribute (und viele weitere) bestimmen letztlich die Vielfalt der generierten synthetischen Personas. Beispielhaft zeigt die folgende Analyse eine Vielzahl von Clustern in den beruflichen Persona-Beschreibungen. Sie wurden durch Clustering von Embeddings und Dimensionsreduktion auf 2D ermittelt: 20.000 zufällig ausgewählte berufliche Personas wurden mit einem mehrsprachigen Sentence-Transformer (paraphrase-multilingual-MiniLM-L12-v2) eingebettet, mit HDBSCAN geclustert und mit UMAP projiziert. Die acht größten Cluster sind mit ihrem dominierenden Berufsbereich und ihrer zentralsten Persona beschriftet (deutsches Original mit englischer maschineller Übersetzung).

—

The attributes above (and many more) ultimately affect the diversity of the synthetic personas being generated. As an example, the analysis below highlights a multitude of clusters within professional persona descriptions. These clusters are identified by clustering embeddings and reducing dimensionality to 2D: 20,000 randomly sampled professional personas were embedded with a multilingual sentence-transformer (paraphrase-multilingual-MiniLM-L12-v2), clustered with HDBSCAN and projected with UMAP. The eight largest clusters are labeled with their dominant occupational area and most central persona (German original with an English machine translation).

Verwendung (How to use it)

Der Datensatz lässt sich mit den folgenden Zeilen laden:
(You can load the dataset with the following lines of code:)

config_builder = DataDesignerConfigBuilder(model_configs=model_configs)
from datasets import load_dataset

# German personas in German
config_builder.add_column(
   SamplerColumnConfig(
       name="person",
       sampler_type=SamplerType.PERSON,
       params=PersonSamplerParams(
           locale="de_DE",
           age_range=[18, 95],
       ),
   )
)

Charakterisierung des Datensatzes (Dataset Characterization)

Methode der Datenerhebung (Data Collection Method)

• Hybrid: menschlich, synthetisch, automatisiert (Hybrid: Human, Synthetic, Automated)

Methode der Annotation (Labeling Method)

• Nicht zutreffend (Not Applicable)

Datenformat (Dataset Format)

• Zeichenketten und ganze Zahlen (die Big-Five-Persönlichkeitsmerkmale sind JSON-kodierte Zeichenketten). Die vollständige Datenstruktur findet sich im Abschnitt „Schema”.

–

• Strings and integers (the Big Five personality traits are JSON-encoded strings). The full data structure is provided in the Schema section.

Umfang des Datensatzes (Dataset Quantification)

• Anzahl der Datensätze: 1.000.000 Datensätze (9.000.000 Personas)
• Gesamtspeicher: 2,8 GB (250 Parquet-Shards)

–

• Record counts: 1,000,000 records (9,000,000 personas)
• Total data storage: 2.8 GB (250 Parquet shards)

Ethische Überlegungen (Ethical Considerations)

NVIDIA ist überzeugt, dass vertrauenswürdige KI eine gemeinsame Verantwortung ist, und hat Richtlinien und Verfahren etabliert, die die Entwicklung eines breiten Spektrums von KI-Anwendungen ermöglichen. Beim Herunterladen oder bei der Nutzung gemäß unseren Nutzungsbedingungen sollten Entwicklerinnen und Entwickler gemeinsam mit ihren internen Teams sicherstellen, dass dieser Datensatz die Anforderungen der jeweiligen Branche und des Anwendungsfalls erfüllt und unvorhergesehener Missbrauch berücksichtigt wird.

Bitte melden Sie Qualitäts-, Risiko- und Sicherheitsprobleme oder sonstige Bedenken zu NVIDIA AI hier.

—

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal teams to ensure this dataset meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please report quality, risk, security vulnerabilities or NVIDIA AI Concerns here.

Zitation (Citation)

Wenn Sie die Daten nützlich finden, zitieren Sie bitte:

(If you find the data useful, please cite):

@software{nvidia/Nemotron-Personas-Germany,
 author = {Fromm, Michael and Khan, Abbas and Jude, Alex and Schwerter, Stefan and Singh, Sarandeep and Habert, Severine and Sharabiani, Ashton and Jennings, Will and Meyer, Yev},
  title = {{Nemotron-Personas-Germany}: Synthetic Personas Aligned to Real-World Distributions for Germany},
  month = {October},
  year = {2026},
  url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-Germany}
}