跳到主要内容Skip to main content

Models · Data · 指南

数据集许可与商用:先分清三层权利

数据集许可、原始内容许可、模型产出许可,是三层不同的权利。数据集卡写“Apache-2.0”不代表里面的图片、代码、网页文本都能商用。

第一层:数据集打包许可

打包许可管的是“这份数据集文件怎么用”。MIT、Apache-2.0 通常允许商用与修改;CC-BY 要署名;CC-BY-SA 要求衍生作品同样开放;ODC-BY 要署名;CC-BY-NC 禁止商业使用。

打包许可不自动覆盖原始内容。The Stack 的打包许可是 MIT,但里面每个代码仓库的许可各不相同;LAION 的元数据是 CC-BY,但图像版权随源站。

第二层:原始内容许可

网页文本、代码、图片、论文各有自己的许可。要逐类核对:代码看仓库 LICENSE,图片看源站,论文看出版方或 arXiv 许可,网页看站点条款与 robots。

找不到许可的内容,默认按“不可商用、不可再分发”处理。不要因为它在公开互联网上就当成公有领域。

第三层:模型产出许可

用数据训练出来的模型,其许可由模型卡和训练数据许可共同影响。有些代码模型会继承生成代码的许可证;有些图像模型会要求标注训练数据来源。商用前要把“数据许可—模型许可—产出许可”三层写成一张表。

这张表要能被法务或客户读懂:数据名、版本、许可、证据链接、核验日、用途、限制。缺一项就不要签“可商用”的结论。

一张最小核对表

数据名 / 版本 / 来源 URL / 打包许可 / 原始内容许可 / 商用是否允许 / 是否要求署名或同样开放 / 获取方式 / 核验日 / 用途。

如果是混合数据集,按来源分层写,不要只写一个总许可。混合数据的限制通常由最严的那一层决定。