模型蒸馏是把大模型的能力转移到小模型的技术。做法是用大模型的输出作为训练数据,训练一个小模型模仿它的行为。

这项技术在工程上完全正当,在法律上处在灰色地带。边界在哪,取决于三件事:合同条款、输出内容的性质、使用方式。

合同条款怎么说?

多数商业模型的服务条款禁止用其输出训练竞争模型。这类条款的法律效力取决于司法辖区,在部分地区的可执行性存疑,但违反条款至少构成违约,账号可能被封。

开源模型的许可证差异很大。有些允许商用但要求署名,有些禁止特定用途,有些对蒸馏没有明确规定。用之前要读许可证原文,不能只看模型卡片的摘要。

输出内容受版权保护吗?

这是最不确定的一环。多数司法辖区的共识是,纯粹由模型生成的内容,版权归属不清晰或者不受版权保护。如果不享有版权,用它做训练数据就不构成版权侵权。

但这个共识在变化。一些地区开始要求标注AI生成内容,一些判例倾向于保护投入了实质性人类创造的部分。边界还在移动。

什么情况下风险最高?

三种。一是明确违反服务条款,用付费API的输出训练竞品。二是蒸馏过程中复制了对方的训练数据结构,比如用对方的合成数据再合成。三是输出中包含对方模型的独有特征,比如特定的格式、特定的拒答表述,这些可能被认定为不正当地复制。

什么情况下相对安全?

三种。用自己的数据训练,不用别人的输出。用开源模型且许可证允许,遵守署名和开放要求。蒸馏的目的是压缩自己已有的模型,不是复制别人的能力。

企业该怎么定规矩?

四条。采购模型时把蒸馏条款单独确认,不要只签通用服务协议。内部建立模型来源台账,记录每个模型的许可证和限制。蒸馏产物做独立评估,确认没有复制对方的独有特征。对外发布时如实说明技术路线,不隐瞒来源。

这条边界会怎么变?

会变严。模型厂商有商业动机收紧,监管有保护消费者的动机加强。两个方向叠加,灰色地带会缩小。

对使用者的实际建议是:能不蒸馏就不蒸馏,用自己数据训练加提示工程往往够用。必须蒸馏时,选许可证清晰的模型,保留完整的合规记录。

技术上的可行性不等于法律上的许可。这条线,越过一次可能没事,越过两次就是系统性风险。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论