跳至主要内容
AI 数据

根据 EU AI 法案,GPAI 训练数据摘要必须披露哪些内容?

Lifewood 团队阅读需 6 分钟

简短回答: GPAI 训练数据摘要必须采用 AI 办公室于 2025 年 7 月 24 日发布的模板,并包含三个强制章节:关于提供者与模型的一般信息、数据来源清单,以及相关的数据处理事项。该模板是强制性的,而非建议性的;它适用于在欧盟市场投放通用人工智能(AI)模型的每一个提供者,包括以自由与开源许可发布的模型。

EU AI 法案第 53 条第 1 款第 (d) 项很简短。它要求通用人工智能(AI)模型的提供者编写并公开一份关于训练所用内容的充分详细的摘要,并按照 AI 办公室提供的模板来完成。真正让这项义务具体可行的内容都在该模板之中,而 AI 办公室已于 2025 年 7 月 24 日连同一份说明性通知一并发布了它。

该义务自 2025 年 8 月 2 日起即已适用。大多数团队弄错的是接下来会发生什么:AI 办公室自 2026 年 8 月 2 日起可以采取执法行动,而在 2025 年 8 月 2 日之前就已上市的模型则有到 2027 年 8 月 2 日的时间。这是三个不同的日期,各自承担三件不同的任务,把它们混为一谈是这一领域最常见的规划错误。

核心要点

  • 该模板是 强制性的,而非一种建议格式。第 53 条第 1 款第 (d) 项要求必须使用该模板。
  • 它包含 三个章节:一般信息、数据来源清单,以及相关的数据处理事项。
  • 它涵盖 每一个 在欧盟市场投放 GPAI 模型的提供者,包括以自由与开源许可发布的提供者,也包括具有系统性风险的模型。
  • 被抓取数据的披露是其中最尖锐的要求:爬虫名称、收集时间段、内容描述,以及 全部被抓取域名中的前 10% ——若为中小企业(SME),则为被抓取域名中排名前 5% 或前 1,000 个,以较低者为准。
  • 摘要必须更新的周期为 六个月为一个周期,若新增训练数据带来实质性重大变化,则应更早更新。
  • 不合规可能招致的罚款最高可达 全球年总营业额的 3% 或 15,000,000 欧元,以较高者为准。

快速对比

日期发生了什么法律依据
2025 年 7 月 24 日AI 办公室发布模板与说明性通知第 53 条第 1 款第 (d) 项
2025 年 8 月 2 日义务开始适用;新模型在投放市场时即需具备其摘要第 113 条第 (b) 项
2026 年 8 月 2 日AI 办公室可以开始采取执法行动欧盟委员会指引
2027 年 8 月 2 日在 2025 年 8 月 2 日之前投放市场的模型的最后期限第 111 条第 3 款
每六个月摘要经复核并更新,或在发生实质性变化时更早更新模板要求

这三个章节究竟是什么?

模板设定了一个共同的最低基线,分为一般信息、数据来源清单,以及相关的数据处理事项。每个章节也都允许自愿提供更多细节,因此提供者可以说得比下限更多,但绝不能更少。

一般信息 它识别提供者与模型,然后按模态——文本、图像、视频、音频——描述训练内容,并以较宽的区间而非精确数字给出每种模态的规模,再加上数据的一般特征。

数据来源清单 工作量就集中在这里。它分别询问公开可得的数据集、从第三方获得的私有数据集、从在线来源抓取的数据、从用户处收集的数据,以及合成数据。模板按来源类型设定了不同的详细程度,这正是欧盟委员会在透明度与商业秘密之间取得平衡的方式。

相关的数据处理事项 涵盖那些对依据欧盟法行使权利的人而言重要的处理环节——首要的是版权——并包括提供者在移除违法内容方面所做的工作。

关于被抓取的数据,你必须披露多少?

在整个模板中,被抓取的数据引出了最为具体的要求,其细致程度超出大多数团队的预期。提供者必须列出所使用的爬虫名称、说明收集时间段、全面描述被抓取的内容,并公布被抓取最多的域名清单。

域名清单这一条值得读两遍。要求是互联网上全部被抓取域名中的前 10%。对于中小企业,门槛放宽为前 5% 或前 1,000 个,以较低者为准。正是这一条款,把对“公开可得的网络数据”的含糊表态,变成了权利人可以对照自己站点去核查的东西。

它与第 53 条第 1 款第 (c) 项直接相关:该项另行要求建立遵守欧盟版权法的政策,包括识别并尊重依据《数字单一市场版权指令》第 4 条第 3 款所表达的权利保留。摘要告诉权利人哪些内容被取用了;版权政策则告诉他们其退出选择是否得到了尊重。两者结合起来,就是一条审计线索。

用户数据与个人数据怎么办?

模板要求提供者披露该模型是否使用了通过用户与其服务和产品交互(包括与其自有 AI 模型的交互)所收集的数据进行训练。它要求说明该用户数据的模态以及相关服务的描述,但并不要求披露任何个人信息。

这一界限是刻意划定的,而且经常在两个方向上被误读。摘要不是隐私声明,欧盟委员会的立场是:关于个人数据使用的进一步细节属于提供者的隐私声明。但是否存在源自用户交互的训练数据,并非可以选择不披露的事项。以对话内容进行训练是关于你数据来源的一个事实,而模板就要求说明它。

这项要求适用于开源模型吗?

是的。该义务涵盖在欧盟市场投放通用人工智能(AI)模型的任何提供者,而且欧盟委员会明确表示,它同样适用于以自由与开源许可发布模型的提供者。

这会让人意外,因为 AI 法案的其他部分确实为开源发布留了例外。第 53 条第 1 款第 (d) 项没有。宽松许可并不改变谁必须公开训练内容摘要,系统性风险分类也不改变——具有系统性风险的模型的提供者同样处于这一要求之内,只是在该法案的其他地方还承担额外义务。

如果数据记录根本不存在,该怎么办?

对于在 2025 年 8 月 2 日之前投放市场的模型,如果提供者无法提供某些必需信息——因为该信息不可获得,或检索它会造成不成比例的负担——则必须在已公开的摘要中明确说明并论证这些信息缺口。

这是一项范围狭窄且附带条件的许可,有必要准确说明它的边界。它适用于遗留模型,它要求首先尽到最大努力,而且它并不允许沉默:缺口必须在文件本身中被声明并说明理由。对于在 2025 年 8 月 2 日之后投放市场的模型,并不存在同等的宽免。

这是当下任何采购数据的人都该记取的操作性教训。在获取每一个数据集的同时就记录其许可、收集时间段、同意依据与来源,而不是事后再补。把来源溯源当作交付物来对待的团队,会觉得这项义务只是文书工作;把它当作事后才想起的事情的团队,会觉得它是考古挖掘,而上面那一条款正是对后一种处境的描述,而不是为它开脱的理由。

常见问题

不需要。该义务要求的是一份充分详细的摘要,而不是逐项列出的作品清单。模板要求的是数据来源、模态、规模区间以及被抓取最多的域名,而不是逐篇列出的清单;它按来源类型调整所需的详细程度,正是为了保护商业秘密与保密商业信息。

在提供者的官方网站上,以清晰可见且易于访问的方式公开,并明确说明它涵盖哪个模型或哪些模型版本。它必须在模型投放欧盟市场之时或之前即可获得,并且还必须在该模型的所有公开分发渠道上随模型一同公开,其中包括模型托管平台。

按六个月为周期更新;若提供者使用额外数据对模型进行了进一步训练,并因此需要对摘要作出实质性重大更新,则以更早发生者为准。更新后的摘要需载明更新日期,并与修改后的模型同步公开。

公开是强制性的。未能提供该摘要可能自 2026 年 8 月 2 日起招致 AI 办公室的执法行动,不合规可能导致的罚款最高可达提供者上一财政年度全球年总营业额的 3%,或 15,000,000 欧元,以较高者为准。

触发条件是在欧盟市场投放通用人工智能(AI)模型,而不是提供者设立在何处。总部位于其他地方、但使其模型可在欧盟获得的提供者,同样在适用范围之内。

基本相同,但有一处明确的放宽。结构与三个章节完全一致,只是被抓取域名的披露门槛对中小企业(SME)从全部被抓取域名的前 10% 降为前 5% 或前 1,000 个,以较低者为准。

资料来源与延伸阅读

  1. EU AI 法案第 53 条:通用人工智能(AI)模型提供者的义务 ——摘要义务与版权政策要求的条文原文
  2. EU AI 法案第 111 条:过渡性规定 ——第 3 款为已上市的模型设定了 2027 年 8 月 2 日这一最后期限
  3. 关于训练内容公开摘要的说明性通知与模板 ——模板本身,发布于 2025 年 7 月 24 日
  4. 欧盟委员会关于训练内容模板的 FAQ ——适用范围、三个章节、被抓取域名的披露门槛、更新周期与处罚

有 AI 或品牌可见度项目计划吗?

从AI评估和人与人间搜索到GEO和AEO战略,我们的团队可以自信地帮助你们部署,并在AI搜索时代被发现.

联系我们的团队