2026年9月3日，穆罕默德·本·扎耶德人工智能大学旗下基础模型研究所发布K2 Horizon模型家族，覆盖0.9B至375B参数，并宣布开放模型权重、代码、训练数据或数据构建方案、训练配置和评测记录。其中0.9B、3.7B和7B模型面向手表、眼镜、手机等端侧环境。纽约大学上海分校相关技术页面于9月4日对模型规模、开放范围和端侧定位作了交叉说明。[1][2] citeturn1search13turn1search14
这类“从权重开放走向训练过程开放”的做法，有助于复现实验、识别数据偏差，也把一个长期被隐藏的问题推到台前：当端侧小模型的训练数据可以被下载、裁剪、混合和二次训练时，谁来核验每条数据的合法来源，谁来发现清洗流程遗漏的违法有害内容，又由谁承担衍生模型进入应用后的责任？
开放数据不等于数据已经安全
K2 Horizon的官方说明强调，能够再分发的数据集按照相应许可证开放；不能直接再分发的部分，则披露来源说明、构建方法和混合配方。这种区分说明“开放训练数据”并不必然意味着所有原始样本都可自由复制，更不代表样本已自动满足不同司法辖区的知识产权、个人信息和内容安全要求。开发者仍需逐项检查许可范围、来源链路及允许用途。官方技术说明学校发布信息 citeturn1search15turn1search12
端侧模型尤其需要谨慎。它们常被嵌入手机、可穿戴设备、车机或离线终端，更新频率、算力和人工复核能力可能低于云端服务。一旦训练语料中混入谣言、暴力内容、侵权材料、个人敏感信息或歧视性表达，风险可能随模型文件分发到大量设备，而开发者很难像云端平台那样立即统一回滚。
用“九不准”和“七条底线”建立数据准入线
现行《互联网信息服务管理办法》第十五条列明九类禁止制作、复制、发布和传播的信息，包括危害国家安全和利益、破坏民族团结、散布谣言扰乱社会秩序、传播淫秽赌博暴力恐怖内容、侮辱诽谤及侵害他人合法权益等。对应到训练数据治理，审核不能只检查最终回答，还应覆盖采集、去重、标注、合成、混合和微调全过程。《互联网信息服务管理办法》现行文本 citeturn1search20
“七条底线”可进一步转化为七类检查目标：法律法规、社会主义制度、国家利益、公民合法权益、社会公共秩序、道德风尚和信息真实性。对端侧小模型而言，最容易被低估的是公民权益与信息真实性。网页公开可见不等于允许用于训练，论坛帖子也可能包含未经证实的信息、联系方式、肖像描述或针对个人的攻击性内容。
责任不能全部推给数据发布者
第一责任层是原始数据集发布者。发布者应提供可机器读取的数据卡，说明采集时间、来源类别、许可依据、个人信息处理方式、清洗规则、已知缺陷和不适用场景。仅写“来自公开互联网”不足以形成可审计的来源证明；无法确认授权状态的数据，应隔离、降权或只公布构建方法。
第二责任层是二次训练者和模型集成商。《生成式人工智能服务管理暂行办法》要求训练数据具有合法来源，涉及知识产权和个人信息时满足相应条件，并通过措施提高数据的真实性、准确性、客观性和多样性。对外提供生成式人工智能服务的主体，不能以“数据来自开源社区”为由免除自己的筛查责任。《生成式人工智能服务管理暂行办法》官方政策解读 citeturn1search25turn1search26
第三责任层是应用商店、设备厂商和服务运营者。它们掌握模型的分发入口、调用权限与版本更新，应在上架前核验模型卡、安全测试报告和数据来源说明，并设置版本撤回、风险公告、投诉举报与紧急禁用机制。模型完全离线运行并不等于运营者可以完全退出治理。
一套可以落地的审查流程
- 建立来源账本：为每批数据记录网址、抓取日期、授权方式、数据控制者、语言和用途限制，保留数据从原始样本到训练切片的对应关系。
- 设置双重过滤：先用规则和分类器筛查九类禁止内容、个人信息及明显侵权线索，再由经过培训的人员复核高风险样本，避免只凭关键词误删正常的新闻、教育或研究材料。
- 检查合成数据：合成内容也要记录生成模型、提示模板和过滤版本。模型生成的数据可能继承来源偏差，还可能制造看似可信但并不真实的材料。
- 进行端侧红队测试：分别测试离线、断网、低算力和量化版本，观察安全能力是否因压缩而下降，并围绕谣言、违法引导、侮辱诽谤和隐私泄露建立回归测试集。
- 发布可追责版本：给数据集、清洗器和模型分别设置版本号与哈希值。发现问题时，应能定位受影响样本、衍生模型及设备范围，而不是重新清洗全部数据。
总结
端侧小模型开放训练数据提高了透明度，却不会自动完成合规审查。更合理的安排是让数据发布者负责来源说明与初次清洗，训练者负责重新核验和风险评估，设备与服务运营者负责上线测试、持续监测和用户救济。监管部门、行业组织与独立研究者则通过规则、抽查和公开评测形成外部约束。真正值得推广的不是“数据全部可下载”，而是来源可追溯、清洗可复核、问题可撤回、责任可定位的开放机制。
