Privasis：从零构建规模为百万级的“公共”私有数据集

涉及隐私敏感数据的研究始终受数据稀缺的限制，这与其他受数据规模红利驱动的领域形成鲜明对比。随着现代AI智能体（如OpenClaw和Gemini Agent）获得对高度敏感个人信息的持久访问权限，这一挑战正日益迫切。为破解这一长期瓶颈并应对日益增加的风险，我们提出Privasis（即隐私浴漫），这是第一个从零构建的规模为百万级的完全合成数据集——一个包含丰富且多样化私人信息文本的大型资源库，旨在拓宽和加速那些不可避免要处理敏感社交数据的研究领域。与现有数据集相比，Privasis包含140万条记录，规模、质量和多样性远超前沿数据集，涵盖医疗史、法律文件、财务记录、日历和短信等多种文档类型，总计5510万个标注属性，如族裔、出生日期、职场等。我们利用Privasis构建了用于文本消除的平行语料库，采用我们的管道将文本分解并施加针对性消除。我们的紧凑型消除模型（参数≤40亿）在该数据集上训练后，超越了如GPT-5和Qwen-3 235B等最先进的大语言模型。我们计划发布数据、模型和代码，以加速未来在隐私敏感领域和智能体方面的研究。