Nemotron-Personas-Korea 是第一個大規模以真實韓國人口統計資料為基礎合成的韓語 persona 資料集，700 萬筆，CC BY 4.0 授權。NVIDIA 把主權 AI 的工具組從概念推進到可立刻使用的開源資源。
目錄+
韓國資訊通信部部長 배경훈（Bae Gyeong-hun）在 X 上分享這則消息時，特別點名了「主權 AI」（Sovereign AI）這個詞。他在說的不只是一個資料集，而是一個用自己國家的資料、訓練自己語言模型的工具。
NVIDIA 的 Nemotron-Personas-Korea 在 HuggingFace 登上趨勢榜第一名——這在以英語模型為主流的生態裡，是一個異例。
這個資料集是什麼
Nemotron-Personas-Korea 包含 700 萬筆合成 persona，以韓國實際人口統計分布為基礎生成。每筆 persona 包含：
- 姓名（依大法院戶籍統計分布）
- 性別、年齡、婚姻狀況
- 教育程度、職業
- 居住地區
資料來源是韓國統計廳（KOSIS）2020–2026 年數據、大法院、國民健康保險公團、農村經濟研究院、NAVER Cloud 統計資料。授權：CC BY 4.0，商業與非商業用途皆可。
技術管線：NeMo Data Designer（NVIDIA 的合成資料系統）結合 Probabilistic Graphical Model（Apache-2.0） 做統計抽樣、Gemma-4-31B 做韓語自然語言敘事生成。
為什麼這件事值得注意
現有的合成 persona 資料集有一個根深蒂固的偏差：它們絕大多數反映的是英語世界的人口分布——白領、城市居住者、30-45 歲男性偏重。這導致用這些資料訓練出來的模型在面對「農村老年女性」或「教育程度較低的服務業工作者」時，回應品質明顯下降。
Nemotron-Personas-Korea 特別在老齡人口、農村地區、低學歷、特定職業類別上做了比例修正，讓合成資料更貼近韓國的真實人口結構。
這在兩件事上有直接用途：
- 模型微調：讓語言模型在面對多樣化韓國使用者時有更好的表現
- 偏差緩解：稀釋訓練集裡英語世界偏見對模型輸出的影響
Nemotron-Personas 是一個系列
這個資料集不是孤立存在的。NVIDIA 的 Nemotron-Personas collection 目前已包含：
- 美國：600 萬筆（英語）
- 日本：600 萬筆（日語）
- 印度：2,100 萬筆（Hindi 拉丁 / 天城文 / 印度英語）
- 新加坡：88.8 萬筆（英語）
- 巴西：600 萬筆（葡萄牙語）
- 法國：600 萬筆（法語）
- 韓國：700 萬筆（韓語）← 本次發布
發布時間點選在 NVIDIA Nemotron Developer Days 首次海外站——2026 年 4 月 21-22 日首爾場，是 GTC 之外第一次在美國境外舉辦。
但還有一個尚未解決的問題
HuggingFace 的資料集說明裡有一段坦誠的限制說明：部分人口變數之間假設了獨立性（例如職業、性別、學歷被視為互相獨立影響），實際上這些因素之間的交互效應（如性別與科系的組合效應）未被納入模型。此外，生理性別與社會性別（gender）的區別在韓國公共統計中缺乏資料，因此無法反映。
這不是藏起來的缺陷，而是公開說明的限制。但使用者在訓練 Sovereign AI 系統時，應該意識到「比一般英語資料集更代表性」不等於「完整代表韓國社會」。
資料來源：HuggingFace nvidia/Nemotron-Personas-Korea 資料卡（2026-04-20）、NVIDIA HuggingFace blog「How to Ground a Korean AI Agent in Real Demographics」（2026-04-21）