伦理、合规与许可

一句话定义

微调的伦理与合规围绕四个问题：训练数据从哪来（版权与隐私）、模型能怎么用（许可协议）、输出谁负责（责任边界）、模型被改造成什么（滥用与安全）。

为什么重要

微调是「深度定制」行为，恰好是法律与伦理问题最密集的操作：你把可能无权使用的数据写进权重，把基座协议的义务传导到衍生模型，让模型获得原本没有的「立场」与能力。出事时的追责链条清晰指向微调方——这是它与「只是调用 API」的本质区别。

前置知识

kp-010 的数据来源四路（哪些来源有合规风险）；kp-013 的评测诚信义务。

核心概念

• 数据合规：版权（爬取/日志数据的授权链）、个人隐私（PII 脱敏）、行业监管（医疗/金融数据的特殊约束）。
• 模型许可：宽许可（Apache 2.0/MIT）、社区许可（Llama 社区许可的月活与使用限制）、非商用许可（研究用途限定）；衍生模型（微调产物）通常继承基座许可义务。
• 输出责任：高风险领域（医疗、法律、金融建议）的幻觉后果归属；微调方的合理注意义务。
• 安全微调：微调可能削弱基座的安全对齐（安全防线的「遗忘」），越狱抵抗力下降；恶意微调（去掉安全约束）是明确的滥用。

原理与机制

许可传导机制：多数开源模型许可把「衍生模型」定义为使用了其权重的产物——LoRA adapter 因必须配合基座使用，通常同样落入衍生范围。因此商用微调的合规检查顺序：确认基座许可允许商用 → 确认允许分发衍生模型 → 确认无附加条件（命名规范、月活上限、禁止用途）。数据侧机制：训练即复制，把无权使用的内容「学进权重」在很多司法辖区被主张为侵权使用；PII 进权重后无法按请求删除（机器遗忘尚不成熟），所以脱敏必须发生在训练之前而不是事后。

安全机制：基座的安全对齐是「训练出的行为」，微调数据分布偏移会连带稀释它（kp-020 遗忘的安全版）；因此微调后的模型要跑安全回归（拒绝性测试集），而不是默认「基座安全=衍生模型安全」。

图示

数据侧: 来源授权? PII脱敏? 行业监管?  ← 全部在训练前
模型侧: 基座许可(商用/分发/附加条件) → 衍生模型继承义务
输出侧: 高风险域幻觉责任 → 免责声明+人审兜底
安全侧: 安全对齐可能被稀释 → 微调后跑安全回归

直观类比

微调像开改装厂：原厂车（基座）有出厂质保与交规（许可与安全对齐），你改装后上路，出了事故第一责任人是改装厂；用的配件来路不明（数据无授权），卖整车时就会被追。

实例或案例

合规检查清单的真实使用：某团队选 Qwen 系模型微调内部知识助手，检查发现所选基座为 Apache 2.0（可商用），训练数据为自有工单日志，PII 在 kp-011 流程脱敏，输出界面标注「AI 生成，仅供参考」，并保留安全回归（50 条诱导性提问的拒绝率）作为上线门槛。全程半天完成，形成可审计的合规档案。

操作步骤

1. 基座选型时把许可作为硬过滤项，读许可原文（不看二手转述），记录版本与条款。
2. 数据入库前过三关：授权链确认 → PII 脱敏（kp-011）→ 行业监管核对（如医疗数据脱标识标准）。
3. 微调后跑安全回归：诱导性/违规请求测试集，拒绝行为显著退化则回炉（加安全数据重训）。
4. 对外交付附模型卡：基座及许可、训练数据描述、评测分数（含 kp-027 的诚信声明）、已知限制与禁止用途。
5. 高风险域上线前过法务/合规评审，输出留档。

排错清单

• 已用非商用基座训了商用项目：尽早发现，评估换基座重训成本，不要带病上线。
• 数据授权链不清：下架该来源数据重训，或取得授权，风险决策必须留痕并上报。
• 微调后模型「变敢答了」（安全拒绝退化）：补安全对齐数据混训，重跑安全回归。
• 客户要求「去掉那些拒答」：明确拒绝——这属于削弱安全对齐的滥用要求。

常见误区

• 开源=随便用：开源只是「看得见代码/权重」，商用、分发、衍生都有各自的许可条件。
• 脱敏可以事后做：PII 进了权重就没有可靠的删除手段，合规动作必须前置到训练前。
• 基座安全=微调后安全：安全对齐会被微调稀释，安全回归是必选项不是可选项。
• 微调方只是技术执行者：在责任链条上，对数据与输出承担合理注意义务的正是微调方。

与其他知识点的关系

数据来源与脱敏的工程面见 kp-010 与 kp-011；评测诚信义务见 kp-027；安全回归复用 kp-025 的评估体系；部署侧的责任声明见 kp-029。

延伸阅读

本节不适用：许可条款以各模型官方许可原文为唯一权威依据；监管要求以所在辖区与行业现行法规为准，建议在项目立项时引入法务评审。

自测题

1. 商用微调前对基座许可要确认哪三点？

答：允许商用、允许分发衍生模型、有无附加条件（命名规范/月活上限/禁止用途）。

1. 为什么 PII 脱敏必须发生在训练之前？

答：数据进入权重后无法按请求可靠删除（机器遗忘不成熟），事后脱敏救不了已经训练出的模型。

1. 微调为什么可能削弱模型安全性？该怎么办？

答：安全对齐是训练出的行为，微调分布偏移会稀释它（遗忘的安全版）；处置是混入安全对齐数据并跑安全回归验收。