通用人工智能模型训练内容公开摘要（欧盟官方模板）

章节结构（12）

1. 1. 摘要版本与最近更新日期（模板抬头）

   官方模板在正文之前要求两项抬头信息：摘要版本（并在适用时给出历史版本链接）与最近更新日期（DD/MM/YY）。把版本策略先定下来：什么情况下发新版（新增模型版本、新增数据来源类别、爬虫行为变更、权利保留机制变更、模态新增），历史版本保留多久、以何种 URL 结构保存。权利人是本文件最活跃的读者之一，他们会比对不同版本之间的差异；历史版本链接缺失或悄悄替换旧版内容，是最容易引发投诉的做法。建议在摘要页面上同时给出"本摘要覆盖哪些模型版本"的明确表述，避免公众误以为覆盖了全部产品线。

   需要附的证据

   • · 摘要版本策略文件（发版触发条件、审批人）
   • · 历史版本归档与其公开 URL 清单
   • · 各版本差异说明（面向权利人的变更摘要）
   • · 摘要发布页面的截图与发布时间戳

   常见失分点

   • · 直接覆盖旧版，历史版本不可访问，权利人无法核对变更；
   • · 更新日期长期不动，而模型已迭代多次；
   • · 未写明覆盖哪些模型版本，导致同一份摘要被当作覆盖全线产品。

2. 2. 1.1 提供者识别

   填写提供者名称与联系方式；若提供者设立在欧盟境外，还须填写欧盟授权代表的名称与联系方式（第 54 条）。对中国企业这是本文件最先被检查的一栏：未设立授权代表即在欧盟市场投放通用人工智能模型，本身就是独立的违规项，且授权代表的委任必须是书面授权，其职责范围与第 54 条的法定最低要求一致。联系方式要给一个真实可达、有人处理的渠道——权利人依第 53(1)(d) 条摘要行使权利时通常从这里发起。建议同时写明"关于本摘要的问询"与"版权相关问询"是否走同一入口，避免权利人来信被产品客服漏掉。

   需要附的证据

   • · 欧盟授权代表书面委任书（含第 54 条职责范围）
   • · 授权代表的注册地址与工商登记信息
   • · 联系渠道的响应流程与响应时限承诺
   • · 提供者主体与模型投放主体一致性说明（集团内多主体时）

   常见失分点

   • · 联系方式填成通用产品客服邮箱，权利人来信无人识别；
   • · 欧盟授权代表一栏留空或填写集团内并无欧盟实体的关联方；
   • · 委任书未覆盖第 54 条的法定职责，形同虚设。

3. 3. 1.2 模型识别

   三个字段。其一，带版本的模型名称：给出本摘要所覆盖模型或模型版本的唯一标识（例如 Llama 3.1-405B）；按说明性通知第 30 点，只要各自摘要内容相同，同一份摘要可覆盖多个模型或版本；如有模型卡等额外公开文档，在此给出链接。其二，模型依赖：若本模型是对已投放欧盟市场的一个或多个通用人工智能模型进行修改（含微调）的结果，须写明被修改模型的名称（版本），并在可获得时给出其摘要链接。其三，投放欧盟市场的日期：给出模型投放欧盟市场的日期；若本摘要覆盖多个模型或版本，按第 30 点分别给出各自的投放日期。对以开源基座做微调的中国企业，"模型依赖"一栏是必须诚实填写的——上游摘要链接的缺失会把权利人的追问直接引到你这里。

   需要附的证据

   • · 模型版本标识规范与内部版本台账
   • · 基座模型来源与许可文件（含微调许可条款核查记录）
   • · 上游模型摘要链接的可达性检查记录
   • · 各模型版本投放欧盟市场的日期证据（发布记录、合同、上线公告）
   • · 模型卡链接（见模型卡模板）

   常见失分点

   • · 模型依赖一栏写"基于开源模型"，不给具体名称与版本，权利人无法回溯上游语料；
   • · 把内部代号当作公开标识，外界无法与实际发布的模型对应；
   • · 投放欧盟市场日期写成全球发布日，两者往往不同；
   • · 一份摘要覆盖多个内容并不相同的模型版本，违反第 30 点的同一性前提。

4. 4. 1.3 模态、训练数据总量与其他特征

   本节针对**预处理之后、模型训练之前**的整体训练数据。按模态勾选（文本、图像、音频、视频、其他），并为每个所选模态在给定区间中选择估算总量：文本为少于 10 亿 token / 10 亿至 10 万亿 token / 超过 10 万亿 token；图像为少于 100 万张 / 100 万至 10 亿张 / 超过 10 亿张；音频与视频均为少于 1 万小时 / 1 万至 100 万小时 / 超过 100 万小时；也可另行以其他计量单位给出近似规模；动态数据集可不计入估算；"其他"模态须自行说明模态并给出近似规模与单位。每个模态还要给出内容类型的总体描述（模板给了示例：文本可为虚构与非虚构文本、科学文本、新闻出版物、法律与官方文件、社交媒体评论、源代码；图像可为摄影、视觉艺术作品、信息图、社交媒体图片、标识与品牌；音频可为音乐作品与录音、有声书、广播节目与播客、私人音频通信；视频可为音乐视频、电影、电视节目、演出、电子游戏、视频片段、新闻视频、社交媒体视频）。此外填写：为模型训练获取或采集数据的最晚日期（MM/YYYY），并说明该日期之后模型是否在新数据或动态数据上持续训练；训练数据语言特征描述（尤其关注欧盟官方语言）；以及在信息易于获得且相关可行的范围内，训练数据的其他相关特征（如国别/地区或人口统计特征）。注意模板对音频的两个口径：视频中的音频应计入视频模态而非音频模态；"音频"理解为包含"语音"。

   需要附的证据

   • · 各模态训练数据量的估算方法与计算记录（含 token 化或压缩方法说明）
   • · 数据获取截止日期的证据（采集任务记录、快照时间）
   • · 持续训练/动态数据的配置说明
   • · 语言分布统计（含欧盟官方语言覆盖情况）
   • · 内容类型分布统计与分类口径
   • · 动态数据集排除范围的界定记录

   常见失分点

   • · 把视频里的音轨重复计入音频模态，导致总量与实际不符；
   • · 语言特征只写"以中英文为主"，未说明欧盟官方语言覆盖情况，而模板明确要求重点关注；
   • · 数据获取截止日期写成模型发布日，两者相差数月；
   • · 以"动态数据集可不计入"为由把大部分语料排除在估算之外，却未说明排除范围；
   • · 内容类型描述过于笼统（"互联网公开内容"），无法让权利人判断自身作品是否可能在内。

5. 5. 2.1 公开可得数据集

   本节针对由第三方汇编、免费公开提供、可整体或按预定分块直接下载的数据集，例如公共代码仓库与在线平台上的数据集与合集、专业网站，以及 common crawl 的快照。模板特别提醒：免费公开并不意味着内容无权利负担，可能仍受许可安排或使用条件约束（某些自由/开源许可会限定用途，包括禁止用于模型训练）。先回答是否使用了公开可得数据集（是/否），若是则勾选所涉内容的模态。随后列出**大型**公开可得数据集：模板对"大型"的定义是该数据集中任一模态的总量超过训练所用全部公开可得数据集在该模态下总量的 3%；规模按预处理（如过滤）之后计算，且不得通过拆分数据集来规避报告。对每个大型数据集给出标识/名称与可访问链接；无链接的给出总体描述，包括已知的采集起止大致日期（不知则注明"不知"）；若只使用了数据集的一部分，说明选取这些部分的总体方法。对未列出的其他公开可得数据集，给出内容的总体描述，可包含：模态类型、内容性质（如个人数据、受版权保护内容、物联网或合成数据等机器生成数据）、语言特征（如适用）、以及已知的采集起止大致日期。

   需要附的证据

   • · 公开数据集清单（名称、版本/快照、链接、模态、预处理后规模）
   • · 3% 阈值的计算过程与"大型"判定记录
   • · 各数据集许可条款核查记录（尤其是禁止用于训练的条款）
   • · 部分使用时的选取方法说明与选取脚本/配置
   • · 采集起止日期证据或"不知"的说明

   常见失分点

   • · 把一个大数据集拆成若干子集分别报告，使每个子集都低于 3%——模板明文禁止这种规避；
   • · 按预处理**之前**的规模算 3%，导致大型数据集漏报；
   • · 默认"公开可得即可自由用于训练"，未核查许可条款；
   • · "其他公开数据集"一栏只写"若干公开语料"，无法让权利人判断范围；
   • · 链接失效或指向需要登录的私有页面。

6. 6. 2.2 从第三方获得的非公开私有数据集（2.2.1 商业授权 / 2.2.2 其他）

   本节覆盖未在 2.1 披露的第三方非公开数据集，模板将其分为两类。2.2.1 由权利人或其代表商业授权的数据集：即提供者与权利人或其代表（包括集体管理组织与有权代表权利人进行集体许可的合法内容聚合方）之间订立**交易性商业许可协议**所涉的数据集；填写是否订立过此类协议（是/否），若是则勾选所涉内容模态。2.2.2 从其他第三方获得的私有数据集：即通过数据中介、非公开数据库以及未与权利人或其代表订立交易性商业许可的第三方数据集；填写是否获得过（是/否），若是则勾选模态；对其中**公众已知**的主要私有数据集列出标识/名称并在可获得时给出相关信息链接；对未列出的非公众已知私有数据集给出内容总体描述，应说明模态、内容性质（如个人数据、受版权保护内容、物联网或合成数据等机器生成数据）与语言特征（如适用）。两个子节都设有可选的补充信息栏（如采集时段、数据集规模等）。中国企业常见的场景是通过数据服务商采购语料而未直接与权利人签约，这类应归入 2.2.2 而非 2.2.1——归错类别会被权利人组织直接点名。

   需要附的证据

   • · 商业许可协议清单（对手方、是否为权利人或其代表、授权范围含训练用途）
   • · 数据中介采购合同与其权利链条说明（供应商能否证明其有权授权）
   • · 数据集归类判定记录（2.2.1 与 2.2.2 的区分依据）
   • · 公众已知性判定记录（为何某数据集被认定为公众已知或不知）
   • · 供应商权利保证与赔偿条款摘录

   常见失分点

   • · 把向数据中介采购的语料填入 2.2.1，制造"已获权利人授权"的错误印象；
   • · 供应商合同里没有训练用途的明示授权，仍按已授权处理；
   • · "公众已知"的判定标准随意，把实际已被公开报道的数据集归入不需具名的一栏；
   • · 内容性质一栏不写是否包含个人数据，而这一栏正是数据保护机构关注的入口。

7. 7. 2.3 从在线来源爬取与抓取的数据

   本节针对由提供者直接或代其从在线来源爬取、抓取或以其他方式汇编的数据（不含 2.1 已覆盖的由第三方汇编并在 common crawl 等平台提供的公开数据集）。字段包括：是否由提供者或代其使用了爬虫（是/否）；爬虫名称/标识；爬虫用途；爬虫行为的总体描述（模板举例：是否尊重验证码、密码保护网站与付费墙，爬取时是否遵守 robots.txt 及其他协议）；数据采集时段（从 MM/YYYY 到 MM/YYYY）；所爬内容类型与在线来源的**全面**描述，包括其地理、语言或人口统计特征，以及所抓取网站的类型（模板举例：新闻、博客、社交媒体、论坛、社区网站、其他用户生成内容平台、文化遗产机构网站、教育站点、政府门户、个人博客、流媒体、游戏平台、网络电视平台、合成数据库等）；所涉模态；以及最相关域名摘要——凡有互联网域名内容被爬取或抓取并用于训练的，须列出最相关的互联网域名（顶级与二级域名，如 "example.com"），方式是按所抓取内容规模列出全部域名的前 10%（在适用的各模态间以有代表性的方式）；中小企业（含初创企业）披露全部域名的前 5% 或 1000 个域名中的较低者；该清单可以下载文件形式提供，或在此说明获取方式。可选补充栏可披露更多域名和/或 URL 与单个作品的来源。

   需要附的证据

   • · 爬虫清单（名称/user-agent、用途、运行时段、归属主体）
   • · robots.txt 与其他协议遵守情况的技术配置与抽样验证记录
   • · 付费墙、登录墙、验证码处理策略的技术说明
   • · 域名规模统计与前 10%（或中小企业前 5%/1000 个）清单的生成脚本与输出
   • · 中小企业身份认定依据（若援引较低披露门槛）
   • · 域名清单的公开文件与其可访问性检查

   常见失分点

   • · 域名清单按域名**数量**取前 10%，而模板要求按**所抓取内容规模**排序；
   • · 爬虫行为描述回避 robots.txt 与付费墙问题，权利人会直接就此提出质询；
   • · 以中小企业身份适用较低披露门槛，却拿不出认定依据；
   • · 把代第三方运行或第三方代为爬取的数据当作"非本公司爬取"而不披露——模板明确包含"代其"的情形；
   • · 域名清单以图片或不可检索的格式发布，实质上削弱可核查性。

8. 8. 2.4 用户数据

   本节针对提供者通过其全部服务与产品收集的用户数据，包括邮件服务、社交媒体平台、内容平台，以及用户与提供者 AI 模型和/或系统交互产生的数据。模板明确排除两类：依 2.2.1 所述商业交易协议由用户许可的数据，以及为特定目的微调模型的客户数据。字段包括：是否使用了用户与 AI 模型交互产生的数据（如用户输入与提示词）训练模型（是/否）；是否使用了从用户与提供者其他服务或产品交互中收集的数据训练模型（是/否）；若是，对用于收集用户数据的服务或产品给出总体描述；所涉模态；以及可选补充信息。本节与 GDPR 的交叉最密集：若用户数据中含欧盟境内个人数据，则该处理需要独立的合法性基础、告知与（视情形）反对或退出机制，且应在 DPIA 中一并论证。企业级客户尤其关注"默认是否开启训练回流"，建议在此处或链接文档中把默认值与关闭方式写清楚。

   需要附的证据

   • · 用户数据用于训练的产品/服务清单与数据流说明
   • · 训练回流的默认配置与关闭路径截图
   • · 用户告知文本与同意/退出机制的实现证据
   • · 企业客户合同中关于输入数据不用于训练的条款（若适用）
   • · 与 DPIA 相应章节的交叉引用

   常见失分点

   • · 本节勾"否"，但产品隐私政策里写着"可能使用您的输入改进模型"，两份公开文件自相矛盾；
   • · 把企业客户的微调数据与消费者用户数据混为一谈（前者被模板明确排除）；
   • · 默认开启训练回流且关闭入口隐蔽，欧盟企业采购环节几乎必被拦下；
   • · 未与 DPIA 交叉引用，合法性基础在本文件与隐私文件中说法不同。

9. 9. 2.5 合成数据

   本节针对由提供者或代其创建、直接基于另一 AI 模型的输出来训练本模型的合成数据，特别是通过模型蒸馏或模型对齐（如强化学习中的 AI 反馈）产生的数据。模板明确排除：用 AI 模型清洗或丰富数据的情形（例如用 AI 生成的元数据来丰富或修改数据集，如生成深度图或图像文字描述）；若属 2.1 所述公开可得数据集则在该节报告；若是第三方代提供者创建的合成数据集，则在本节而非 2.2.2 报告。字段包括：是否由提供者或代其创建了合成 AI 生成数据用于训练（是/否）；若是，合成数据的模态；若是，说明用于生成合成数据的通用人工智能模型（若已在市场上可获得）——给出模型名称并在可获得时给出其摘要链接；关于用于生成合成数据的其他 AI 模型（包括提供者自有但未上市的模型）的信息——包括在已知范围内、且在为使具有正当利益方行使权利所必需并避免规避其他各节披露义务的限度内，对该模型训练数据的总体描述。最后一句是本节的关键：不能通过"先用一个未公开的自有模型生成数据、再用合成数据训练"来绕开 2.1–2.4 的披露义务。

   需要附的证据

   • · 合成数据生成流程说明（蒸馏、对齐、AI 反馈各自的配置）
   • · 用于生成的模型清单（含自有未上市模型）及其训练数据总体描述
   • · 合成数据规模与在总训练数据中的占比
   • · 第三方代为生成合成数据的合同与其归类记录
   • · "清洗/丰富" 与 "生成合成训练数据" 的界分标准与判定记录

   常见失分点

   • · 用自有未上市模型生成大量合成语料，本节只写"使用了合成数据"，未给出该模型训练数据的总体描述——模板明确要求这是为防止规避披露；
   • · 把蒸馏来源模型的名称视为商业秘密而完全不披露，且未说明理由；
   • · 将"用 AI 打标签/生成描述"错报为合成数据，或反之把真正的蒸馏数据报成数据丰富；
   • · 第三方代为生成的合成数据被报入 2.2.2，与模板要求相反。

10. 10. 2.6 其他数据来源

    本节针对不属于前述任何类别的数据，模板举例：从线下来源收集的数据、自行数字化的媒体（如数字化的模拟文本内容、图像）、由提供者委托进行人工标注的数据集、以及通过强化学习产生的人类生成数据。字段为：是否使用了 2.1 至 2.5 之外的数据来源（是/否）；若是，对这些数据来源与数据作叙述性描述；以及可选补充信息。对中国企业，这一节常常承载三类实际存在但在前几节找不到归属的语料：自有业务线下积累的资料（纸质档案数字化、内部知识库）、委托标注公司产出的人类偏好数据与指令数据、以及由内部员工或众包标注者创作的数据。诚实填写本节的成本很低，遗漏的代价却高——权利人与监管在比对 1.3 的总量与 2.1–2.5 的来源时，如果对不上，第一反应就是本节被漏填。

    需要附的证据

    • · 其他来源清单（来源类型、规模、获取方式、权利状态）
    • · 委托标注合同与标注产出的权利归属条款
    • · 线下资料数字化的授权与来源证明
    • · 内部/众包创作数据的授权与劳动合规记录
    • · 1.3 总量与 2.1–2.6 各来源规模的勾稽核对表

    常见失分点

    • · 本节填"否"，但 1.3 的总量明显大于 2.1–2.5 可解释的规模，勾稽对不上；
    • · 委托标注产出的数据被视为"自有数据"而完全不披露；
    • · 线下数字化资料的权利状态未说明，权利人无从判断；
    • · 叙述性描述写成一句"其他少量内部数据"，不具备可核查性。

11. 11. 3.1 对文本与数据挖掘例外或限制项下权利保留的尊重

    本节涉及提供者为识别并遵守依指令 (EU) 2019/790 第 4(3) 条表达的文本与数据挖掘（TDM）例外或限制项下权利保留所实施的措施，并与提供者依第 53(1)(c) 条制定的版权政策相衔接。字段包括：是否为通用人工智能行为准则的签署方，且该准则包含尊重 TDM 例外或限制项下权利保留的承诺（是/否）；描述在模型训练前、以及在数据采集之前与采集过程中，为尊重 TDM 权利保留所实施的措施，包括提供者本身或（如适用）其获取数据集的第三方所遵循的退出协议与解决方案。可选补充栏鼓励披露第 53(1)(c) 条版权政策的摘要（例如给出相关网页链接）。写作要点：把"遵循哪些退出信号"写具体（robots.txt 中的指令、页面级元数据、位置信息、行业通行的机器可读保留方式），写清是在采集时拦截还是在训练前过滤，以及对通过第三方数据集间接获得的内容如何传递这一要求。对已从语料中移除的内容，说明移除的时点与覆盖范围。

    需要附的证据

    • · 版权政策全文与其公开位置（第 53(1)(c) 条）
    • · 所遵循退出协议/信号的技术实现说明与生效日期
    • · 权利保留识别的抽样验证记录（识别率与漏识别情况）
    • · 第三方数据集供应商的 TDM 权利保留处理承诺与核查记录
    • · 权利人请求移除内容的受理台账与处理结果
    • · 行为准则签署状态证明（若已签署）

    常见失分点

    • · 只写"我们尊重 robots.txt"，未说明生效日期——权利人会追问此前采集的语料如何处理；
    • · 对第三方数据集完全不做 TDM 权利保留的传导核查，实际等于把风险接了下来；
    • · 声称已签署行为准则但未在签署方名单中，或签署的章节不含相关承诺；
    • · 版权政策未公开或链接失效，本节的可信度随之归零；
    • · 权利保留识别只在训练前做一次过滤，而对持续爬取的新数据没有常态化机制。

12. 12. 3.2 非法内容的移除（及 3.3 其他信息）

    3.2 节涉及为避免或移除训练数据中依欧盟法属于非法内容所采取的措施（模板举例：黑名单、关键词、基于模型的分类器），且不要求披露提供者内部业务实践或商业秘密的具体细节。模板说明：若训练数据可能包含依欧盟法属非法或不合法的内容——特别是儿童性虐待材料与恐怖主义内容，以及未经授权使用受知识产权保护的材料——则此类措施是可取的；此类措施不包括为提升模型能力而进行的数据选择实践。填写"所采取措施的总体描述"。3.3 节为可选的"其他信息"，鼓励提供者自愿披露其他与欧盟法所保护权利的尊重与行使相关的、训练前后所采取的数据处理措施信息。撰写时注意公开文件的边界：既要让监管与权利人看到措施确实存在且有层次（采集侧拦截 / 语料侧过滤 / 训练后评估 / 上线后输出侧防护），又不必披露分类器阈值、黑名单具体条目这类会被规避的细节。

    需要附的证据

    • · 非法内容筛查方案说明（分层措施与各层覆盖范围）
    • · 筛查效果评估报告（召回/误杀率、抽样人工复核）
    • · CSAM 与恐怖主义内容的专项处置流程与对外举报渠道
    • · 知识产权侵权内容的识别与移除记录
    • · 3.3 项自愿披露内容的内部审批记录（确认不触及商业秘密边界）

    常见失分点

    • · 只写"我们采取了必要措施"，没有任何层次或类型信息，评审人无从判断；
    • · 把"为提升模型能力而做的数据筛选"写成非法内容移除措施，模板明确将两者区分；
    • · 在公开文件里披露了分类器阈值与黑名单细节，反而为规避提供便利；
    • · 3.3 项披露了未经法务审阅的内容，事后与其他公开材料产生矛盾。