深入理解训练数据授权

CH-37-05-023·约 19 分钟·AI商业化与创业·更新 2026-08-14

想象你是一位主厨，开了一家名叫“智能餐厅”的馆子。别人家的餐厅靠厨师手艺，你的餐厅只靠一本神秘菜谱——把采集来的各种食材按某种配方组合成菜，这套配方就是“AI模型”。配方好吃不好吃，完全取决于食材。但更关键的是：食材是怎么来的，决定了这道菜能不能合法端上桌。训练数据就是食材。爬来的网页是森林里采的蘑菇，用户的评论是顾客留下的意见卡，第三方数据集是超市买的半成品酱料。蘑菇可能长在别人的私人林地里，意见卡背后坐着一个个具体的人，酱料罐头印着密密麻麻的使用说明。只看食材摆在货架上就拿来下锅，轻则被厨师协会警告，重则终身禁赛。这篇文章带你走一遍食材采购全流程：辨别来源、识别版权地雷、给隐私“过敏原”脱敏、读懂许标签、建台账、留小票、定期迎接卫生检查。搞懂这一套，你才敢把 AI 模型真正端到商业餐桌上去。

岗位关联

对 AI 从业者而言，训练数据授权是模型能否商用的生死线。掌握这套合规框架，能帮你避免产品刚上线就收到律师函——这是从技术走向商业的必修课。

可视化演示
数据来源分类
版权风险识别
个人隐私脱敏
许可条款解读
授权审查流程
全程追溯留存
商用合规审计
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示深入理解训练数据授权的核心机制，通过入门/进阶/实战/优化四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

深入理解训练数据授权：训练数据训练数据授权的法律框架与风险类网络爬取数据的版权合规与边界核心机制可视化深入理解训练数据授权整体架构与关键组件

数据来源分类

主厨阿花每天早上要决定今天用什么食材。她有两类进货渠道：一是去野外森林采蘑菇，二是去超市买半成品，三是收顾客填的意见卡，四是自己在后院菜园种菜。在 AI 的世界里，这分别对应公开爬取、第三方数据集、用户生成数据和自采数据。食材渠道不同，风险等级完全不同。

公开爬取数据看似自由，但“公开”不等于“无主”。网页内容可能受版权保护，平台的服务条款也可能明确禁止爬虫抓取。第三方数据集看似省事，但数据集本身可能混合了多种来源，许可证是否允许商用必须逐条核对。用户生成内容（UGC）是隐私敏感区，平台未必有权利把用户数据转授权给第三方训练模型。自采数据最可控，但仍要保证内部采集流程合法。

在实际工程中，团队要首先为每条数据打上“来源标签”，就像主厨给食材贴产地标签。来源越清晰，后续合规工作越轻松；来源不明，安全隐患最大。

阿花现在明白了：不管食材看上去多鲜嫩，先问一句“这东西从哪来的、有没有主”，再决定要不要放进后厨。给每条数据贴上来源标签，是合规的第一步，也是最重要的一步。

\displaystyle \text{数据可用性} = \text{来源合法} \times \text{授权清晰} \times \text{隐私合规}

这个公式说明一个朴素的道理：三个条件必须同时满足，数据才能真正进入训练管道。任何一个条件为 0，整体结果直接归零，就像一道菜里有一根头发，整盘菜都不能上桌。

来源合法数据获取行为本身不违反法律与平台规则，比如爬虫遵守 robots.txt 和网站服务条款。
$\displaystyle \text{来源合法} \in \{0, 1\}$
授权清晰数据版权方或平台明确允许将数据用于模型训练，最好有书面许可。
$\displaystyle \text{授权清晰} \in \{0, 1\}$
隐私合规涉及个人信息时已完成脱敏处理，并满足隐私政策中的目的限制。
$\displaystyle \text{隐私合规} \in \{0, 1\}$
相乘运算三个 0/1 布尔值相乘，只有全部为 1 结果才是 1，任意一项为 0 即整体为 0。
$\displaystyle \text{数据可用性} = 0 \Longleftrightarrow \exists\, x \in \{\text{来源合法}, \text{授权清晰}, \text{隐私合规}\},\; x = 0$

版权风险识别

森林里有一片蘑菇，长得特别好，阿花兴冲冲地采了一筐。结果第二天，护林员找上门——那片林子是私人庄园，门口其实挂着“禁止采摘”的木牌。网络上爬取数据就像逛一座没有围墙的大森林，但“没有围墙”不代表“没有主人”。

训练模型的第一步是把数据复制到本地，这个复制行为本身就可能触发版权侵权。比如训练一个文本模型时，把整本小说抓进训练集，哪怕只是让模型“学习风格”，复制行为已经发生。部分国家和地区（如日本、欧盟的文本数据挖掘例外）允许一定条件下的 TDM（Text and Data Mining）行为，但这一豁免并不能覆盖所有商业场景。

除了版权法，平台条款是另一道暗锁。许多网站的服务条款明确禁止将内容用于模型训练，即使版权上可以争辩“合理使用”，合同层面的违约也会带来诉讼风险。安全做法是：优先选择公有领域作品、CC0 声明或明确授权训练的语料库。

阿花在设计菜单前，先拿出一张“禁采地图”，把受版权保护的区域标红，把有豁免条款的林地标绿。训练数据的版权风险识别，就是在动手抓取之前先看清脚下是谁的地盘。

\displaystyle \text{侵权风险} = \text{复制行为} \land \text{作品受保护} \land \neg \text{豁免条款}

这是版权风险的“三层开关”：三层同时接通，侵权风险才会成立；任何一层断开，风险链条就断了。阿花把“私家庭院”的地图画出来，绕开那些挂牌禁采的区域，就不会踩到版权地雷。

复制行为将数据从源地址抓取并存储到本地，构成法律意义上的复制，赋值为真。
$\displaystyle \text{复制行为} \in \{0, 1\}$
作品受保护数据内容属于受版权保护的作品，如小说、图片、代码、音乐等。
$\displaystyle \text{作品受保护} \in \{0, 1\}$
豁免条款当地法律对文本数据挖掘或训练用途存在例外，若存在则取反后为 0。
$\displaystyle \neg \text{豁免条款}$
逻辑与运算三个布尔值做“与”（AND）运算，只有全为真时侵权风险才成立。
$\displaystyle \text{侵权风险} = 1 \Longleftrightarrow \text{复制行为} = 1 \land \text{作品受保护} = 1 \land \neg \text{豁免条款} = 1$

个人隐私脱敏

餐厅菜单上有一道花生酱蛋糕。花生本身没问题，但对花生过敏的顾客吃一口就可能进医院。阿花在菜单上必须标注“含花生”，甚至要把花生酱单独存放在专用区域。个人隐私数据就是模型训练里的“花生过敏原”。

姓名、身份证号、手机号、位置轨迹、生物特征都属于可识别信息。直接抓取这些数据训练模型，等于把过敏原原封不动地揉进面团里。更隐蔽的是，即使去掉姓名，一组准标识符（如出生日期加居住地邮编）组合起来，仍能重新锁定到具体个人。

脱敏技术就是给数据套上防护罩。k-匿名要求每条记录在准标识符组合上至少和另外 k-1 条记录无法区分；差分隐私则通过注入数学意义上的“噪声”，让攻击者无法判断某个个体是否在数据集中。需要特别强调的是：假名化（用编号替换姓名）不等于匿名化，前者仍然可逆，后者才真正不可逆。

阿花在菜单上标注过敏原，在后厨把花生食材单独存放。她的 AI 训练管道也一样：先做个人信息识别，再做脱敏处理，最后查一遍 k-匿名是否达标。过敏原不处理干净，菜品再好也不能端给顾客。

\displaystyle k\text{-匿名实现}: \min_{q \in Q} \mathrm{count}(q) \geq k

k-匿名的意思是：把数据按照准标识符分组后，每个小组至少有 k 个人，这样一来，任何一个人都被“藏在人群里”。k 越大，越难被认出，但数据可用性也会下降。

准标识符组合 q一组本身不是姓名但能组合定位到个人的字段，如“生日 + 邮编 + 性别”。
$\displaystyle q \in Q$
分组计数 count(q)统计拥有相同准标识符组合 q 的记录条数。
$\displaystyle \mathrm{count}(q)$
取最小值 min在全部可能的 q 组合中找到最小的组大小，这是最薄弱的暴露点。
$\displaystyle \min_{q \in Q} \mathrm{count}(q)$
不小于 k要求最薄弱的组也至少有 k 条记录，从而保证任何个体都被至少 k-1 个“影子”掩护。
$\displaystyle \min_{q \in Q} \mathrm{count}(q) \geq k$

许可条款解读

超市货架上的半成品酱料罐头，瓶身印着密密麻麻的小字。阿花以前从不看，直到有一次供应商打电话来说：这款酱料只供堂食，不能做成外卖套餐售卖。她这才意识到，罐头上那行小字才是关键。

第三方数据集的许可证就是罐头上的说明文字。常见的 CC（知识共享）协议中，CC0 等于放弃一切权利，可以自由商用；CC BY 要求署名即可商用；CC BY-SA 在署名基础上还要求衍生作品同样开源（“传染性”）；CC BY-NC 则直接禁止商业用途。数据集提供商还可能自定义许可证，界定期限、地区、用途范围。

当多个来源的数据合并成一个训练集时，最终的授权强度要按“最严格条款”执行。比如一份数据是 CC BY，另一份是 CC BY-NC，合并后只能按非商业使用处理——因为混在一起后，已经很难把“NC 数据”单独拆出去训练同一个小模型。

阿花现在养成了习惯：每进一批半成品酱料，先读瓶身上的小字，再决定能做什么菜。训练数据也一样，第三方数据集入库前必须做“许可体检”，把禁止商用的数据排除出商业项目。

\displaystyle L_{\text{合并}} = \min(L_1, L_2, \ldots, L_n)

合并后的许可强度取决于最严的那一份。就像做一锅大杂烩，只要有一样食材是“禁止外卖”的，整锅汤都不能对外卖。

许可强度 L_i为每种许可证赋予一个有序值，例如 CC0=4、CC BY=3、CC BY-SA=2、CC BY-NC=1。
$\displaystyle L_i \in \{1, 2, 3, 4\}$
最小函数取所有许可强度中的最小值，代表最严格的约束条件。
$\displaystyle \min\{L_1, L_2, \ldots, L_n\}$
合并结果合并后数据集整体只能按该最小值对应的许可条款使用。
$\displaystyle \text{CC BY} + \text{CC BY-NC} \Rightarrow L_{\text{合并}} = 1(\text{非商用})$

授权审查流程

后厨越来越大，阿花定下规矩：任何食材进厨房必须过三道门。第一道门登记来源，第二道门检查合格证，第三道门评估风险。三关都过了，食材才能进冷库。AI 数据入库也应该有这样一套标准的授权审查流程。

这套流程的价值在于把“事后救火”变成“事前拦截”。主厨不可能等顾客食物中毒后再去检查食材，算法团队也不该等模型上线被告后再去补授权。

阿花的三道门把问题食材挡在门外，AI 团队的三道关把风险数据拦在训练集之外。流程看似繁琐，但每多一道检查，就少一分未来打官司的概率。

\displaystyle \text{合规率} = \frac{N_{\text{通过}}}{N_{\text{检查}}} \times 100\%

合规率衡量审查流程的执行质量。如果抽查了 100 条数据，只有 70 条通过检查，那合规率就是 70%，剩下的 30% 就是藏在后厨的隐患。

检查总数进入审查流程的数据总条数，用 N_检查表示。
$\displaystyle N_{\text{检查}}$
通过数量三道关卡全部通过的数据条数，用 N_通过表示。
$\displaystyle N_{\text{通过}}$
比率计算通过数除以检查总数，得到合规比例。
$\displaystyle \frac{N_{\text{通过}}}{N_{\text{检查}}}$
百分比换算将比例乘以 100%，得到直观的合规率指标。
$\displaystyle \times 100\%$

全程追溯留存

阿花的餐厅里有一本厚台账，每一批食材的采购日期、供应商、产地、质检结果都记得一清二楚。有人说她太较真，直到有一天食客投诉过敏，卫生检查组上门，她翻出台账十分钟就定位到问题批次——所有人当场闭嘴。

训练数据同样需要这样一本台账。每个训练样本的来源 URL、抓取时间、许可快照、脱敏操作记录，都应该归档保存。当模型输出与某部受版权保护的作品高度相似时，对方律师的第一问题就是：“你的训练数据从哪来的？”拿不出记录，就要承担举证不利的后果。

台账不能建完就束之高阁。许可条款可能更新，网站可能改变 robots.txt，原数据集可能加入新的限制条款。因此要定期复核，比如每季度重新检查关键数据源的许可状态。发现问题数据则启动应急下架，从训练集移除、重新训练模型，并做好变更记录。

阿花生怕哪天说不清食材来历，所以每一笔都记在账上。对 AI 团队来说，这本台账就是上市前的“护身符”——它不能保证你永远不被起诉，但能保证你被起诉时说得清。

\displaystyle \text{台账完整率} = 1 - \frac{N_{\text{缺失}}}{N_{\text{总}}}

台账完整率的理想目标是 100%。只要有缺失记录，就等于账本上有几页被撕掉了，出了问题就说不清楚。

总记录数数据集中应生成追溯档案的条目总数，用 N_总表示。
$\displaystyle N_{\text{总}}$
缺失记录数未记录来源、许可或脱敏信息的条目数，用 N_缺失表示。
$\displaystyle N_{\text{缺失}}$
缺失比例缺失数除以总数，得到档案缺失的比例。
$\displaystyle \frac{N_{\text{缺失}}}{N_{\text{总}}}$
补全运算用 1 减去缺失比例，得到台账完整率；缺失越少，完整率越接近 100%。
$\displaystyle 1 - \frac{N_{\text{缺失}}}{N_{\text{总}}}$

商用合规审计

餐厅开得红火后，食药监部门开始定期上门检查。阿花提前一个月就把卫生记录、采购台账、员工健康证整理好。她发现，与其被动应付检查，不如每天都按检查标准经营。商用合规审计就是给 AI 模型定期的“卫生检查”。

审计的核心是量化指标：来源标签覆盖率、授权许可合规率、个人信息脱敏覆盖率、追溯档案完整率。这些指标要纳入数据平台的监控面板，像看模型准确率一样看待它们。同时要对接监管要求，例如国内的《个人信息保护法》《数据安全法》《生成式人工智能服务管理暂行办法》，都直接或间接约束训练数据的使用。

风险预案是审计的最终落点。如果版权方发来下架通知，应能在 24 小时内定位相关数据、暂停使用、启动重新训练流程。如果监管机构要求说明数据来源，应有完整的证据链可以提交。把这些问题提前想清楚，模型上线后才能真正睡个安稳觉。

阿花现在每天都像在进行卫生检查一样经营餐厅。AI 团队也应把合规审计嵌入日常开发流程，而不是等产品要上线了才临时抱佛脚。合规不是一次性的动作，而是一种持续运转的厨房秩序。

\displaystyle \text{风险评分} = \alpha \cdot C + \beta \cdot P + \gamma \cdot L

风险评分把版权、隐私、许可三个维度的风险加权成一个数值，让团队能一眼看出当前模型的商用合规健康状况。

版权风险值 C版权维度的风险得分，取值范围 0 到 1，越高表示版权隐患越大。
$\displaystyle C \in [0, 1]$
隐私风险值 P隐私维度的风险得分，例如未脱敏个人信息占比越高，P 越接近 1。
$\displaystyle P \in [0, 1]$
许可风险值 L许可维度的风险得分，例如 NC 数据混入商业项目时 L 升高。
$\displaystyle L \in [0, 1]$
加权求和三个维度分别乘以权重 \alpha、\beta、\gamma 后相加，权重之和为 1，反映团队对不同风险的重视程度。
$\displaystyle \alpha + \beta + \gamma = 1$

AI 应用场景

场景一：大模型发布前的合规评估

阶段：模型上线前审计

解决的问题：大模型公司准备将基础模型商用，传统做法是法务部临时翻看数据文档，效率低且经常遗漏来源不明数据。通过借鉴授权审查流程，将数据来源分类、版权识别、隐私检查、许可审查固化为标准化流水线，所有数据入库前自动完成四步筛查。

具体案例：某 AI 公司训练开源大语言模型前，对 10 亿条预训练语料逐条记录来源并批量扫描版权标记，最终筛出 2% 来自 CC BY-NC 协议的数据，及时排除后产品才顺利商用。

场景二：AI 绘画工具的训练集选型

阶段：数据采购与授权审查

解决的问题：AI 绘画团队需要海量图片训练模型，传统做法是直接爬取图片网站，极易因版权问题被起诉。利用许可条款解读方法，优先选择 CC0 和明确授权可商用的图库，并为每张图片留存来源 URL 和许可证快照。

具体案例：某 AI 绘画创业公司放弃爬虫，从多个 CC0 图库购入数据，同时通过差分隐私处理少量用户上传素材。半年后竞品收到版权诉讼，该公司因台账完整而安然无恙。

场景三：智能客服系统的隐私合规改造

阶段：用户数据处理与脱敏

解决的问题：智能客服需要用历史工单训练对话模型，但工单里包含客户姓名、手机号等个人信息。通过 k-匿名和差分隐私对工单脱敏，并建立用户授权弹窗，解决了隐私合规问题。

具体案例：某电商公司对 200 万条客服工单做脱敏处理，删除可直接识别字段，将准标识符分组阈值设为 k=20，再交付给模型训练。审计时隐私覆盖率从 60% 提升到 100%。

Python 演示

python41 行

class DataRecord:    def __init__(self, name, source, has_license, contains_private, anonymized):        self.name = name        self.source = source        self.has_license = has_license        self.contains_private = contains_private        self.anonymized = anonymized        self.audit_log = [] class ComplianceChecker:    def __init__(self):        self.gc_count = 0     def check_commercial(self, record):        reasons = []        if not record.source:            reasons.append("unknown source")        if not record.has_license:            reasons.append("missing license")        if record.contains_private and not record.anonymized:            reasons.append("un-anonymized private info")        self.gc_count += 1        record.audit_log.append("checked at gateway")        return (len(reasons) == 0, reasons) def main():    records = [        DataRecord("news_2023", "public_crawl", True, False, False),        DataRecord("user_comments", "ugc", True, True, True),        DataRecord("scraped_books", "public_crawl", False, False, False),        DataRecord("survey_answers", "self_collected", True, True, False)    ]    checker = ComplianceChecker()    for r in records:        ok, reasons = checker.check_commercial(r)        status = "APPROVED" if ok else "REJECTED"        print(f"{r.name}: {status} {reasons}")    print(f"total checked: {checker.gc_count}") if __name__ == "__main__":    main()

目的：实现一个简化的训练数据商用授权检查器，模拟数据包通过三道审查关卡并输出结果。

class ComplianceChecker:定义合规检查器，相当于餐厅后厨的三道门。
def check_commercial(self, record):每个数据记录进厨房时执行的准入检查。
if not record.source:第一道关卡：来源标记缺失直接拒绝。
if not record.has_license:第二道关卡：缺少许可协议的数据不可商用。
if record.contains_private and not record.anonymized:第三道关卡：含个人信息但未脱敏的数据被拦截。
record.audit_log.append("checked at gateway")每次检查都留下台账痕迹，便于追溯。
self.gc_count += 1记录累计检查条数，作为审计指标之一。

常见误区

误区觉得只要能在网页上公开访问的内容，就可以随便抓下来训练模型，不需要任何授权。

正解公开不等于无主。网页文章可能受版权保护，平台的服务条款也可能禁止爬取和用于训练。就像森林里的蘑菇虽然长在野外，但整片林地可能是私人庄园。哪怕版权上可以争论“合理使用”，违反平台条款仍可能构成违约，带来独立于版权的诉讼风险。

为何常见：互联网“免费获取”的习惯让很多人混淆了“技术上可访问”和“法律上可使用”的区别，以为没有技术门槛就没有法律门槛。

误区只要把用户姓名替换成随机编号，就算完成脱敏，可以放心训练模型了。

正解假名化是隐私保护的起点而不是终点。编号仍可能关联回具体个人，属于可识别信息。真正安全的做法是匿名化，即通过 k-匿名、差分隐私等技术让个体无法被重新识别。餐厅里给顾客编桌号不代表顾客身份消失了，过敏原记录依然能追溯到具体的人。

为何常见：因为两者在做数据管理时看起来都是“去掉名字”，许多人便想当然地认为效果一样。

误区认为只要付钱购买了商业数据集，就能永久地、无限制地用于任何 AI 项目。

正解商业许可往往附带用途限制、时间期限、地区限制和转授权约束。比如某数据商只授权“非训练用途”或“仅限研究”，购买合同里也可能声明不允许二次分发。合并多个数据集时还要遵守最严格条款。罐头虽然是你买的，但上面的食用期限和食用方法仍然要照做。

为何常见：商业交易让购买者产生“物品所有权”的错觉，忘了数据授权本质上是“版权许可”而不是“买断所有权”。

误区认为上线前做一次数据安全检查就够了，之后模型运行期间不需要再关注训练数据合规。

正解数据许可条款会变化，平台 robots.txt 可能更新，原数据集可能新增限制。已入库的数据今天合规，不代表永远合规。必须建立定期复核机制和应急下架流程，让“追溯-审计-整改”形成循环。就像餐厅要每天做清洁，而不是只在开业前打扫一次。

为何常见：合规工作不产生直接的模型效果提升，容易被团队当作一次性成本，忽略了它的持续性价值。

面试题

Q1. 公开网页上的文章能被直接放入训练集吗？

单选题 · easy

A.完全可以自由使用
B.只要标注来源即可
C.可能受版权约束← 正确答案
D.任何情况都不行

答案：C。公开网页内容可能受版权保护，平台条款也可能限制爬取，因此不能默认自由使用。C 正确。A 忽略版权，B 只处理署名问题，D 过于绝对，因为公有领域或已授权数据仍可使用。

Q2. 关于假名化与匿名化的关系，正确的是？

单选题 · mid

A.两者没有任何区别
B.假名化用标识码替代← 正确答案
C.匿名化可逆可还原
D.假名化绝对安全

答案：B。假名化是用编号等替代直接标识，但仍可间接关联回个人，并非绝对安全。匿名化才是不可逆的，使个体无法被重新识别。因此 B 正确，A、C、D 均错误。

Q3. CC BY-NC 协议的核心限制是什么？

单选题 · mid

A.必须开放模型源码
B.禁止一切商业用途← 正确答案
C.禁止任何内容修改
D.必须支付使用版税

答案：B。CC BY-NC 中的 NC（Non-Commercial）代表禁止商业用途，而允许署名和修改。B 正确。A 属于开源软件约定，C 与 BY-SA 混淆，D 不是 CC 协议的特点。

Q4. 合并多个来源数据集时，整体许可强度应如何确定？

单选题 · mid

A.采用最宽松条款
B.采用最严格条款← 正确答案
C.采用时间最早条款
D.由数据量最大决定

答案：B。合并后数据已难以逐条分离，必须按所有来源中最严格的许可执行，否则只要有一份 NC 数据混入，整个商业项目就存在合规风险。B 正确。

Q5. 使用用户生成内容（UGC）训练模型前，最关键的一步是什么？

单选题 · easy

A.直接使用无需同意
B.获取用户与平台授权← 正确答案
C.删除所有用户评论
D.跳过授权审查流程

答案：B。UGC 的版权通常同时涉及用户与平台，训练前必须确认授权链条，包括用户协议和平台转授权条款。B 正确。A 和 D 会直接带来法律风险，C 不能解决授权问题。

Q6. 收到版权投诉后，最稳妥的应对做法是什么？

单选题 · mid

A.删除投诉邮件并忽略
B.立即启动应急下架← 正确答案
C.继续训练不做回应
D.要求对方重新举证

答案：B。收到投诉后应先启动应急下架，定位相关数据、暂停使用并视情况重新训练。B 正确。A、C 会扩大侵权损害，D 在前期阶段并非首要动作。

Q7. 哪些措施可以有效降低训练数据的版权风险？

多选题 · mid

A.优先使用公有领域作品← 正确答案
B.使用 CC0 授权的数据集← 正确答案
C.识别当地 TDM 豁免条款← 正确答案
D.不记录数据来源信息

答案：ABC。公有领域、CC0、TDM 豁免都能从源头降低版权风险。A、B 属于“用无主数据”，C 属于“找法律豁免”。D 不记录来源反而会加重风险，一定要排除。

Q8. 以下哪些情况可能触发隐私合规问题？

多选题 · hard

A.用姓名加身份证号训练模型← 正确答案
B.对数据施加差分隐私处理
C.发布一个 k=1 的匿名表← 正确答案
D.使用已完全匿名化数据

答案：AC。姓名、身份证号属于直接标识符，A 显然违规。k=1 意味着每个分组只有 1 条记录，没有任何掩护，C 也存在重识别风险。B 和 D 是合规的隐私保护措施。

Q9. 关于数据许可合规，下列说法正确的有哪些？

多选题 · mid

A.商业许可也可能有限制← 正确答案
B.NC 协议禁止商用← 正确答案
C.许可期限无需关注
D.转授权须看许可条款← 正确答案

答案：ABD。商业许可同样限制用途、期限或地区，A 正确。NC 协议明确禁止商业使用，B 正确。转授权（再分发）必须看原始许可是否允许，D 正确。C 完全错误，许可期限恰恰是必查项。

Q10. 下列哪项是评估数据合规时最核心的量化指标？

单选题 · hard

A.个人隐私脱敏覆盖率
B.数据来源台账完整率← 正确答案
C.模型参数量大小
D.训练集准确率

答案：B。台账完整率反映数据来源、许可、脱敏记录的齐全程度，直接决定被投诉时能否自证清白。它比单一维度的脱敏覆盖率更综合，B 正确。参数量和准确率是模型技术指标，与合规无关。