1. 训练数据安全要求

（1）数据来源安全：

• 采集来源管理：

  • 采集数据前应进行安全评估，含违法不良信息超过5%的数据源不得使用。

  • 采集后需核验，含违法不良信息超过5%的数据不得用于训练。

• 不同来源训练数据搭配：

  • 提高数据来源多样性，确保每种语言和类型的数据均有多个来源。

  • 境外数据应与境内数据合理搭配。

• 训练数据来源可追溯：

  • 使用开源数据时需有开源许可或授权文件。

  • 自采数据需有采集记录，不得采集明确禁止的数据。

  • 商业数据需有合法的交易合同和质量承诺。

  • 使用者输入信息作为训练数据时需有授权记录。

（2）数据内容安全：

• 训练数据需经过过滤，去除违法不良信息。

• 对数据中的知识产权侵权风险进行识别和处理。

• 涉及个人信息的数据使用需获得同意或符合法律规定。

（3）数据标注安全：

• 标注人员需经过培训和考核，明确分工。

• 标注规则应覆盖数据标注和审核环节。

• 对功能性和安全性标注的数据进行抽检和审核，确保准确性。

2. 模型安全要求

（1）模型训练：

• 生成内容的安全性应作为评价指标之一。

• 定期审计开发框架和代码，修复安全漏洞。

（2）模型输出：

• 提高生成内容的准确性和可靠性，减少错误。

• 对明显偏激或违法的问题拒绝回答。

• 符合国家规定标识生成内容。

（3）模型监测：

• 持续监测模型输入，防范恶意攻击。

• 建立常态化监测和应急管理措施，优化模型。

（4）模型更新和升级：

• 制定安全管理策略，进行安全评估。

（5）软硬件环境：

• 评估计算系统的供应链安全。

• 训练环境与推理环境隔离，防止数据泄露。

3. 安全措施要求

（1）服务适用人群、场合和用途：

• 确保生成式人工智能服务在各领域应用的必要性和安全性。

• 重要场合和未成年人使用需有相应的安全保护措施。

（2）服务透明度：

• 公布服务适用信息、局限性和模型算法概要。

• 以编程接口提供服务时公开相关信息。

（3）个人信息收集与使用：

• 提供关闭信息收集的便捷方式，并告知用户。

• 建立投诉举报途径和处理机制。

（4）服务稳定和持续性：

• 建立备份机制和恢复策略，确保业务连续性。

4. 安全风险

文件附录详细列出了训练数据和生成内容的主要安全风险，包括违反社会主义核心价值观、歧视性内容、商业违法违规、侵犯他人合法权益以及无法满足特定服务类型的安全需求。

通过遵循上述基本要求，生成式人工智能服务提供者可以有效地提升服务的安全性和合规性，确保在各个环节中防范和化解潜在的安全风险。