Nemotron-Personas-Brazil-Extended

Visão Geral do Conjunto de Dados (Dataset Overview):

Nemotron-Personas-Brazil-Extended é um conjunto de dados (dataset) de licença comercialmente permissiva composto por personas geradas sinteticamente e fundamentadas em distribuições demográficas, geográficas e traços de personalidade reais do Brasil, visando capturar a diversidade e a riqueza da população. Trata-se de uma variante do Nemotron-Personas-USA, o primeiro dataset do gênero alinhado a estatísticas de nomes, sexo, idade, histórico, estado civil, escolaridade, ocupação e localização, entre outros atributos. Esta versão do conjunto de dados foi desenvolvida em conjunto com a WideLabs, empresa que participa do NVIDIA Inception e com vasta experiência no suporte a implementações de IA para governos e setores regulados em toda a América Latina. O conjunto de dados fornece personas de alta qualidade para diversos casos de uso de modelagem em português.

O Nemotron-Personas-Brazil-Extended apoia desenvolvedores de modelos brasileiros na criação de sistemas de IA Soberana que incorporam contextos culturais e demográficos específicos da região. O dataset aumenta a diversidade de dados gerados sinteticamente, mitiga vieses e previne o colapso de modelo (degradação causada pelo treinamento não curado em saídas de outros modelos) ao refletir as distribuições geográficas e demográficas reais do Brasil. Em particular, o conjunto de dados foi projetado para ser mais representativo das distribuições demográficas subjacentes em múltiplos eixos — incluindo diversidade regional (ex: regiões Norte, Nordeste e Centro-Oeste), origens étnico-raciais, níveis de escolaridade e uma vasta gama de ocupações — em comparação com datasets de personas anteriores. Como exemplo, é possível produzir dados de conversação (chat) de múltiplos turnos de alta qualidade, com nomes, idades e históricos reais que refletem a autêntica experiência brasileira, trazendo perspectivas únicas e nuances regionais a esses dados.

Produzido utilizando o NeMo Data Designer, um sistema de IA composto de nível empresarial para geração de dados sintéticos, o dataset utiliza um Modelo Gráfico Probabilístico (PGM) proprietário, juntamente com um modelo GPT-OSS-120B (licenciado sob Apache-2.0) e um conjunto em constante expansão de validadores e avaliadores integrados ao Data Designer. Uma versão estendida do Nemotron-Personas-Brazil-Extended está disponível para uso no próprio NeMo Data Designer.

Este conjunto de dados está pronto para uso comercial.

–

Nemotron-Personas-Brazil-Extended is a commercially permissive dataset of synthetically-generated personas grounded in real-world demographic, geographic, and personality trait distributions in Brazil to capture the diversity and richness of the population. It is a variant of Nemotron-Personas-USA, which is the first dataset of its kind aligned with statistics for names, sex, age, background, marital status, education, occupation and location, among other attributes. This version of the dataset was built in collaboration with WideLabs, an NVIDIA Inception member with deep experience supporting government and regulated-sector AI deployments across Latin America. The dataset provides high-quality personas for a variety of modeling use-cases in Portuguese.

Nemotron-Personas-Brazil-Extended supports Brazilian model builders in developing Sovereign AI systems that incorporate important region-specific demographics and cultural context. The dataset improves diversity of synthetically-generated data, mitigates biases, and prevents model collapse by reflecting Brazil's real geographic and demographic distributions. In particular, the dataset is designed to be more representative of underlying demographic distributions along multiple axes—including regional diversity (e.g., North, Northeast, and Midwest regions), ethnic-racial backgrounds, 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 real names, ages, and backgrounds that reflect the authentic Brazilian 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 GPT-OSS-120B model and an ever-expanding set of validators and evaluators built into Data Designer. An extended version of Nemotron-Personas-Brazil-Extended is available for use in NeMo Data Designer itself.

This dataset is ready for commercial use.

Desenvolvedor dos Dados (Data Developer):

WideLabs & NVIDIA Corporation

Data de Lançamento (Release Date):

01/26/2026

Licença/Termos de Uso (License/Terms of Use):

Este conjunto de dados é regido pela licença internacional NVIDIA Dataset License Agreement

–

This dataset is licensed under the NVIDIA Dataset License Agreement

Público-Alvo (Use Case):

Desenvolvedores que trabalham com IA Soberana, treinamento de LLMs e/ou que buscam melhorar a diversidade de dados gerados sinteticamente, mitigar vieses de dados/modelos e prevenir o colapso de modelos.

–

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.

Versão dos Dados (Data Version):

1.0 (01/26/2026)

Uso Pretendido (Intended Use):

O conjunto de dados Nemotron-Personas-Brazil-Extended destina-se ao uso pela comunidade para continuar aprimorando modelos abertos e impulsionando o estado da arte. Os dados podem ser utilizados livremente para treinar qualquer modelo. Agradecemos o feedback da comunidade de código aberto e convidamos desenvolvedores, pesquisadores e entusiastas de dados a explorar o dataset e construir sobre ele.

O dataset Nemotron-Personas-Brazil-Extended fundamenta-se em distribuições de dados demográficos autodeclarados do Censo Brasileiro (IBGE). Como tal, seu objetivo principal é apoiar o desenvolvimento de IA Soberana, combatendo a escassez de dados e/ou potenciais vieses presentes nos dados de treinamento de modelos atuais, especialmente em relação aos datasets de personas existentes usados na geração de dados sintéticos. Apesar da melhoria na diversidade dos dados e da fidelidade à população do Brasil, ainda estamos limitados pela disponibilidade de dados e pela complexidade razoável do modelo. Isso resulta em algumas suposições de independência necessárias; por exemplo, que as ocupações são independentes da escolaridade, dado o local (estado ou município) e o sexo. Da mesma forma, estatísticas abrangentes sobre identidade de gênero, independentes do sexo biológico, não estão totalmente disponíveis de forma granular no Censo Nacional. Deixamos esforços adicionais para melhorar essa fidelidade para trabalhos futuros.

Observe que o conjunto de dados é focado apenas em adultos.

–

The Nemotron-Personas-Brazil-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-Brazil-Extended dataset is grounded in distributions of self-reported demographic data in the Brazilian Census (IBGE). 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 Brazil’s population, we are still limited by data availability and reasonable model complexity. This results in some necessary independence assumptions; for instance, that occupations are independent of education given location (state or municipality) and sex. 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.

Note that the dataset is focused on adults only.

Detalhes do Conjunto de Dados (Dataset Details)

O conjunto de dados contém:

• 1 milhão de registros em português com 6 personas por registro → 6 milhões de personas no total
• 35 campos: 10 campos de persona e 25 campos contextuais fundamentados em estatísticas oficiais demográficas e de trabalho
• ~2,6 bilhão de tokens no total, incluindo ~1,1 bilhão de tokens de personas
• Cobertura abrangente nos eixos demográfico, geográfico e de traços de personalidade
• ~457 mil nomes únicos
• Uma variedade de tipos de personas: profissional, esportes, artes, viagens, culinária
• Atributos de persona em linguagem natural: contexto cultural, competências e especialidades, objetivos e ambições, hobbies e interesses.

O Nemotron-Personas-Brazil-Extended foi projetado para se alinhar às estatísticas oficiais demográficas e de trabalho do Brasil (IBGE), expandindo-as para áreas importantes para o treinamento de IA. Na prática, isso significou:

• Distribuição Geográfica Granular: O conjunto de dados alcança alta fidelidade ao ancorar os registros em municípios e estados específicos, espelhando a densidade e a distribuição populacional real em todas as 27 Unidades da Federação do Brasil.
• Convenções de Nomes Oficiais: Ao utilizar o portal de Nomes do Brasil do IBGE, o dataset incorpora mais de 60.000 nomes próprios e 160.000 sobrenomes únicos, refletindo a autêntica diversidade linguística e étnica da população brasileira.
• Estrutura Ocupacional Padronizada: Os dados profissionais estão estritamente alinhados aos Grandes Grupos da Classificação Brasileira de Ocupações (CBO), garantindo que a distribuição da força de trabalho no dataset corresponda às estatísticas oficiais do mercado de trabalho.
• Alinhamento Demográfico: Variáveis fundamentais como idade, sexo, estado civil e níveis de escolaridade são amostradas para refletir a atual transição demográfica do Brasil, fornecendo uma população sintética estatisticamente representativa.

Essas extensões baseiam-se em uma base sólida de dados públicos, ajudando a criar personas que são, ao mesmo tempo, estatisticamente fundamentadas e culturalmente representativas, mantendo-se sintéticas, preservando a privacidade e sendo de acesso aberto.

–

The dataset contains:

• 1M records in Portuguese with 6 personas/record → 6M personas total
• 35 fields: 10 persona fields, and 15 contextual fields grounded in official demographic and labor statistics
• ~2.6B tokens total, including ~1.1B persona tokens
• Comprehensive coverage across demographic, geographic, and personality trait axes
• ~457k unique names
• A variety of persona types: professional, sports, arts, travel, culinary
• Natural language persona attributes: cultural background, skills & expertise, goals & ambitions, hobbies & interests.

Nemotron-Personas-Brazil-Extended was designed to align with Brazil’s official demographic and labor statistics (IBGE), while extending them into areas important for AI training. In practice, this meant:

• Granular Geographic Distribution: The dataset achieves high fidelity by anchoring records in specific municipalities and states, mirroring the real population density and distribution across all 27 Brazilian Federative Units.
• Official Naming Conventions: By leveraging the IBGE Names portal, the dataset incorporates over 60,000 unique first names and 160,000 last names, reflecting the authentic linguistic and ethnic diversity of the Brazilian population.
• Standardized Occupational Framework: Professional data is strictly aligned with the Main Groups of the Brazilian Classification of Occupations (CBO), ensuring that the workforce distribution in the dataset matches official labor market statistics.
• Demographic Alignment: Key variables such as age, sex, marital status, and education levels are sampled to reflect the current demographic transition of Brazil, providing a statistically representative synthetic population.

These extensions build on a strong foundation of public data, helping create personas that are both statistically grounded and culturally representative, while remaining synthetic, privacy-preserving, and open.

Dados de Base (Seed Data)

A fim de capturar a diversidade e a complexidade sociodemográfica e geográfica da população do Brasil, o Nemotron-Personas-Brazil-Extended utilizou:

• Dados do censo demográfico e estatísticas de trabalho publicados pelo Instituto Brasileiro de Geografia e Estatística (IBGE/SIDRA).
• Distribuições de nomes e sobrenomes baseadas em registros históricos e demográficos para refletir a prevalência real de nomes em diferentes regiões e origens étnicas brasileiras.

–

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

• Population census and labor data published by the Brazilian Institute of Geography and Statistics (IBGE/SIDRA).
• First and last name distributions based on historical and demographic records to reflect realistic name prevalence across different Brazilian regions and ethnic backgrounds.

Estrutura de Dados (Schema)

O conjunto de dados inclui 35 campos: 10 campos de persona e 25 campos contextuais mostrados abaixo. Pesquisadores encontrarão muitos campos contextuais úteis para focar em demografias específicas, o que é um desafio em conjuntos de dados existentes.

Nemotron-Personas-Brazil
  |-- uuid: string                             Identificador global único
  |-- professional_persona: string             Persona profissional que captura o campo de atuação principal, competências, traços e comportamento
  |-- finance_persona: string                  Persona financeira descrevendo hábitos de gastos, poupança e investimento, e tomada de decisão financeira
  |-- religious_persona: string                Persona religiosa descrevendo crenças e prática da religião
  |-- healthcare_persona: string               Persona de saúde capturando condições de saúde e abordagem aos cuidados médicos
  |-- sports_persona: string                   Persona de esportes descrevendo interesses atléticos, afiliação a times e abordagem a fitness e exercícios
  |-- arts_persona: string                     Persona de artes caracterizando o engajamento com expressões criativas e como as artes moldam sua identidade
  |-- travel_persona: string                   Persona de viagens que captura interesses e estilo de viagem
  |-- culinary_persona: string                 Persona culinária descrevendo preferências, nível de habilidade e abordagem a experiências de jantar
  |-- persona: string                          Uma persona concisa de uso geral que captura a essência da perspectiva de vida da pessoa
  |-- detailed_persona: string                 Uma descrição detalhada da persona abrangendo múltiplas facetas do indivíduo sintético
  |-- openness: string                         Pontuação, rótulo e descrição do componente de abertura (openness) no framework OCEAN
  |-- conscientiousness: string                Pontuação, rótulo e descrição do componente de conscienciosidade (conscientiousness) no framework OCEAN
  |-- extraversion: string                     Pontuação, rótulo e descrição do componente de extroversão (extraversion) no framework OCEAN
  |-- agreeableness: string                    Pontuação, rótulo e descrição do componente de amabilidade (agreeableness) no framework OCEAN
  |-- neuroticism: string                      Pontuação, rótulo e descrição do componente de neuroticismo (neuroticism) no framework OCEAN
  |-- cultural_background: string              Descrição do contexto cultural da pessoa
  |-- religious_background: string             Descrição do contexto religioso da pessoa
  |-- skills_and_expertise: string             Competências e especialidades profissionais e pessoais em formato narrativo
  |-- hobbies_and_interests: string            Interesses pessoais e atividades recreativas em formato narrativo
  |-- skills_and_expertise_list: string        Lista de competências e áreas de especialidade
  |-- hobbies_and_interests_list: string       Lista de hobbies e interesses pessoais
  |-- career_goals_and_ambitions: string       Aspirações profissionais e objetivos de carreira de longo prazo
  |-- first_name: string                       Primeiro nome do indivíduo sintético
  |-- last_name: string                        Sobrenome do indivíduo sintético
  |-- sex: string                              Sexo biológico (ex: Masculino, Feminino)
  |-- age: integer                             Idade em anos
  |-- race: string                             Raça, seguindo denominação do IBGE
  |-- religion: string                         Religião, seguindo denominação do IBGE
  |-- marital_status: string                   Estado civil (ex: casado(a), solteiro(a), divorciado(a), viúvo(a))
  |-- education_level: string                  Nível de escolaridade mais alto concluído
  |-- occupation: string                       Ocupação profissional detalhada
  |-- postcode: string                         Código da municipalidade usado pelo IBGE (NÃO É O CEP)
  |-- city: string                             Município específico (cidade)
  |-- region: string                           Estado do Brasil (Unidade da Federação/UF)
  |-- country: string                          País de residência

–

The dataset includes 35 fields: 10 persona fields and 25 contextual fields shown below. Researchers will find many contextual fields useful in zoning in on specific demographics, which is challenging to do with existing datasets.

Nemotron-Personas-Brazil
  |-- uuid: string                             Globally unique identifier
  |-- professional_persona: string             Professional persona capturing primary field of work, key professional skills, traits and behavior
  |-- finance_persona: string                  Financial persona describing spending, saving and investment habits, approach to financial decision-making
  |-- religious_persona: string                Religious persona describing beliefs and how religion is practiced
  |-- healthcare_persona: string               Healthcare persona capturing health conditions and approach to medical care
  |-- sports_persona: string                   Sports persona describing athletic interests, sport team affiliations, and approach to fitness and exercise
  |-- arts_persona: string                     Arts persona characterizing engagement with creative expression and how the arts shape their identity
  |-- travel_persona: string                   Travel persona capturing travel interests and style
  |-- culinary_persona: string                 Culinary persona describing food/cuisine preferences, cooking skill level, and approach to dining experiences
  |-- persona: string                          A concise general-purpose persona capturing the essence of a person's perspective and approach to life
  |-- detailed_persona: string                 A detailed persona description encompassing multiple facets of a synthetic individual
  |-- openness: string                         Score, label and description of the openness component in the OCEAN framework
  |-- conscientiousness: string                Score, label and description of the conscientiousness component in the OCEAN framework
  |-- extraversion: string                     Score, label and description of the extraversion component in the OCEAN framework
  |-- agreeableness: string                    Score, label and description of the agreeableness component in the OCEAN framework
  |-- neuroticism: string                      Score, label and description of the neuroticism component in the OCEAN framework
  |-- cultural_background: string              Description of the person's cultural background
  |-- religious_background: string             Description of the person's religious background
  |-- skills_and_expertise: string             Professional and personal skills in narrative format
  |-- hobbies_and_interests: string            Personal interests and recreational activities in narrative format
  |-- skills_and_expertise_list: string        List of skills and areas of expertise
  |-- hobbies_and_interests_list: string       List of hobbies and personal interests
  |-- career_goals_and_ambitions: string       Professional aspirations and long-term career objectives
  |-- first_name: string                       First name of the synthetic individual
  |-- last_name: string                        Last name of the synthetic individual
  |-- sex: string                              Biological sex (e.g., Male, Female)
  |-- age: integer                             Age in years
  |-- race: string                             Race, following what is used by the IBGE (census)
  |-- religion: string                         Religion, following what is used by the IBGE (census)
  |-- marital_status: string                   Relationship status (e.g., currently married, never married, divorced, widowed)
  |-- education_level: string                  Highest level of education completed
  |-- occupation: string                       Comprehensive professional occupation
  |-- postcode: string                         Municipality code used by the IBGE (census) – THIS IS NOT THE 'CEP' (postcode)
  |-- city: string                             Specific Brazilian municipality (city)
  |-- region: string                           Primary administrative division of Brazil (Federative Unit/UF)
  |-- country: string                          Country of residence

Contagem de Campos e Tokens (Field & Token Counts)

O conjunto de dados consiste em 2,6 bilhão de tokens (1,150 milhão de tokens de personas) distribuídos em 1 milhão de registros e 35 colunas, excluindo o identificador global único. Observe que os dados oferecem uma cobertura abrangente de todos os 26 estados e o Distrito Federal (27 UFs) do Brasil.

–

The dataset consists of 2.6B tokens (1.1M persona tokens) across 1M records and 35 columns, excluding the globally unique identifier. Note that the data provides comprehensive coverage across all 26 states and the Federal District (27 UFs) of Brazil.

Descrição do Conjunto de Dados e Análise de Qualidade (Dataset Description & Quality Assessment)

A análise abaixo fornece um detalhamento de diversos eixos do conjunto de dados para enfatizar a diversidade integrada e a complexidade de padrões dos dados demográficos brasileiros.

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

Nomes (Names)

Como o foco deste conjunto de dados são as personas, os nomes não são fornecidos em campos dedicados. No entanto, integrados à geração das personas, estão mais de 60.000 nomes próprios únicos e 160.000 nomes de família únicos fundamentados no Censo Brasileiro (IBGE). O dataset utiliza dados de distribuição do portal Nomes do Brasil do IBGE e registros demográficos históricos para garantir que as personas reflitam padrões de nomenclatura realistas em todas as regiões e gerações do Brasil.

–

Since the focus of this dataset is on personas, names aren’t provided as dedicated fields. However, infused into persona generation are over 60,000 unique first names and 160,000 unique last names grounded in the Brazilian Census (IBGE). The dataset leverages distribution data from the IBGE Names portal and historical demographic records to ensure that the personas reflect realistic naming patterns across different regions and generations in Brazil.

Distribuição de Idade (Age Distribution)

A distribuição etária do Nemotron-Personas-Brazil-Extended reflete a estrutura demográfica real do país, evidenciando seu estágio atual de transição demográfica. Caracterizada por uma proporção significativa da população nas faixas de jovens adultos e meia-idade, a distribuição mostra o envelhecimento gradual da população à medida que o 'bônus demográfico' se desloca para grupos mais velhos. Além disso, em conformidade com os dados do IBGE, o conjunto de dados reflete uma maior expectativa de vida para as mulheres brasileiras em comparação aos homens, resultando em uma maior proporção de personas do sexo feminino nas faixas etárias mais avançadas.

Observe que menores de 18 anos estão excluídos deste conjunto de dados.

–

The age distribution of Nemotron-Personas-Brazil-Extended mirrors the country’s real demographic structure, reflecting its current stage of demographic transition. Characterized by a significant proportion of the population in the young-adult and middle-age groups, the distribution shows the gradual aging of the population as the 'youth bulge' moves into older cohorts. Furthermore, consistent with IBGE data, the dataset reflects a higher life expectancy for Brazilian women compared to men, resulting in a higher proportion of female personas in the older age groups.

Note that minors under 18 are excluded from this dataset.

Estado Civil por Faixa Etária (Marital Status by Age Group)

O conjunto de dados captura como o estado civil muda ao longo da vida no Brasil, com o status 'solteiro' dominando o início da idade adulta, seguido por uma transição para o status 'casado' começando entre os 25 e 30 anos. Os dados também capturam a prevalência do status 'divorciado', que aumenta de forma constante a partir dos 30 anos, e do status 'viúvo', que se torna mais pronunciado nos estágios finais da vida, particularmente entre as mulheres. Todas essas considerações são relevantes para informar experiências de vida e personas autênticas no contexto brasileiro.

–

The dataset captures how marital status shifts over the life course in Brazil, with 'never married' dominating in the early adult years, followed by a transition to 'currently married' starting in the mid-to-late 20s. The data also captures the prevalence of 'divorced' status which increases steadily from the 30s onwards, and 'widowed' status, which becomes more pronounced in later life stages, particularly among women. All of these considerations are relevant to informing authentic life experiences and personas in the Brazilian context.

Educação por Faixa Etária (Education Level by Age Group)

O conjunto de dados captura os padrões de nível de escolaridade entre coortes de idade no Brasil. Por exemplo, a proporção de pessoas com diplomas universitários é significativamente maior nos grupos de idade mais jovens em comparação aos mais velhos, refletindo a rápida expansão do ensino superior e da qualificação profissional nas últimas décadas. Esses padrões também destacam mudanças históricas no acesso à escolaridade e a evolução das normas sociais em relação à educação formal no mercado de trabalho brasileiro.

–

The dataset captures patterns of educational attainment across age cohorts in Brazil. For example, the proportion of people holding university degrees is significantly higher in younger age groups compared to older ones, reflecting the rapid expansion of higher education and professional qualification over the last decades. These patterns also highlight historical shifts in access to schooling and changing social norms regarding formal education in the Brazilian labor market.

Complexidades Geográficas do Nível de Escolaridade (Geographic Intricacies of Education Attainment)

Este recorte do nosso conjunto de dados demonstra como a geografia influencia a educação e, consequentemente, as descrições das personas. Para cada estado brasileiro, o conjunto de dados reflete a parcela de residentes com 25 anos ou mais que possuem, pelo menos, um diploma de graduação. Nenhum LLM em nossos testes foi capaz de gerar dados com este nível de fidelidade, pois geralmente apresentam dificuldade em representar as disparidades educacionais específicas entre áreas metropolitanas e o interior, ou entre as diferentes regiões do Brasil.

–

This slice of our dataset demonstrates how geography informs education and therefore persona descriptions. For each Brazilian state, the dataset reflects the share of residents ages 25 and older who hold at least a bachelor's degree. No LLM in our testing was able to generate data of this fidelity, as they often struggle to represent the specific educational disparities between metropolitan areas and the interior, or between different regions of Brazil.

Categorias Ocupacionais (Occupational Categories)

O conjunto de dados reflete a distribuição profissional de nossas personas entre as principais categorias de ocupação. Essas categorias fundamentam-se nos Grandes Grupos da Classificação Brasileira de Ocupações (CBO) e são detalhadas por distribuições demográficas e geográficas, ilustrando a prevalência de diferentes setores da força de trabalho, como Trabalhadores Administrativos, Trabalhadores de Serviços e Profissionais das Ciências e das Artes.

–

The dataset reflects the professional distribution of our personas across major occupation categories. These categories are grounded in the Main Groups of the Brazilian Classification of Occupations (CBO) and are further informed by demographic and geographic distributions, illustrating the prevalence of different workforce sectors such as Administrative Workers, Service Workers, and Professionals in Sciences and Arts.

Diversidade de Personas (Persona diversity)

Os atributos acima (e muitos outros) afetam, em última análise, a diversidade das personas sintéticas geradas. Uma análise de agrupamento (clustering) de embeddings com redução de dimensionalidade revela uma multidão de clusters distintos dentro das descrições de personas profissionais no contexto brasileiro, mostrando como o modelo distingue entre diferentes trajetórias de carreira, estilos de trabalho regionais e históricos profissionais com base nas distribuições do IBGE e da CBO.

–

The attributes above (and many more) ultimately affect the diversity of the synthetic personas being generated. Clustering analysis of embeddings with dimensionality reduction reveals a multitude of distinct clusters within professional persona descriptions, demonstrating semantic separation between different career types.

Como usar (How to use it)

Você pode baixar o conjunto de dados pelo NGC ou usá-lo diretamente no Data Designer da seguinte forma:

–

You can download the dataset from NGC or use it directly in Data Designer as follows:

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

# Brazil personas in Portuguese
config_builder.add_column(
   SamplerColumnConfig(
       name="person",
       sampler_type=SamplerType.PERSON,
       params=PersonSamplerParams(
           locale="pt_BR",
           age_range=[18, 114],
       ),
   )

Caracterização do Conjunto de Dados (Dataset Characterization):

Método de Coleta dos Dados (Data Collection Method)

• Híbrido: humano, sintético, automatizado (Hybrid: Human, Synthetic, Automated)

Método de Rotulagem (Labeling Method)

• Não se aplica (Not Applicable)

Formato do Conjunto de Dados (Dataset Format):

• Strings e números inteiros. A estrutura de dados completa é fornecida na seção “Estrutura de Dados (Schema)” (Strings and integers. The actual schema is provided in the "Estrutura de Dados (Schema)" section)

Quantificação do Conjunto de Dados (Dataset Quantification):

• Contagem de registros: 1 milhão de registros (6 milhões de personas) (Record counts: 1M records (6M personas))
• Tamanho total de armazenamento (Total data storage): 2.51 GB

Considerações Éticas (Ethical Considerations):

A NVIDIA acredita que a IA Confiável é uma responsabilidade compartilhada e estabelecemos políticas e práticas para permitir o desenvolvimento de uma ampla gama de aplicações de IA. Ao baixar ou utilizar este dataset de acordo com nossos termos de serviço, os desenvolvedores devem trabalhar com suas equipes internas para garantir que este conjunto de dados atenda aos requisitos do setor e do caso de uso relevante, além de mitigar o uso indevido/imprevisto do produto.

Relate problemas de qualidade, risco, vulnerabilidades de segurança ou Preocupações com a IA da NVIDIA (NVIDIA AI Concerns) aqui.

–

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.

Citação (Citation) Se você considerar estes dados úteis, por favor cite:

If you find the data useful, please cite:

@software{nvidia/Nemotron-Personas-Brazil,
 author = {Malossi, Rodrigo and Machado Jorge, Vitor Augusto and Behenck, Everton and Acharya, Evan and Prayaga, Shyamala and Manoel, Andre and Corneil, Dane and Meyer, Yev},
 title = {{Nemotron-Personas-Brazil}: Synthetic Personas Aligned to Real-World Distributions},
 month = {January},
 year = {2026},
 url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-Brazil}
}