全网最全| 100条大模型备案自查清单
很多客户跟我反馈自己进行备案申报的时候：每次退回来的理由都不一样。第一次说材料不全，第二次说描述不清，第三次说风险评估不够详细。最近有个客户说了一句让我难忘的话：“我感觉我们在裸奔，但我们不知道该穿什么衣服。” 所以我把大模型备案的所有要求掰开了揉碎了，整理出这份100条自查清单。如果对你有用，点赞关注我，下一期出算法备案自查清单。 这一部分是基础中的基础，备案要先证明你是个合法公司。 1. 营业执照是否在有效期内？ 2. 营业执照经营范围是否包含相关业务。 经营范围里有没有“技术服务”“软件开发”之类的字样？没有的话去工商变更。 3. 法人代表身份证明是否清晰可读？ 4. 注册资本是否与业务规模匹配。 不是说必须多少，但一个注册资本10万的公司做个千亿参数大模型，审核人员看了会怎么想？ 5. 公司注册地址与实际运营地址是否一致。 不一致的话准备好租赁合同和情况说明。 6. 是否已经取得ICP许可证？ 7. 是否有算法备案号。 大模型备案通常需要先完成算法备案，双备案制的路你得一步一步走。 8. 安全负责人是否已经任命。 这个岗位必须有，而且要在公司内部正式任命，不能是空降兵。 9. 安全负责人的简历是否符合要求。 通常需要三年以上互联网安全相关工作经验。 10. 安全负责人的联系方式是否畅通。 审核期间可能会打电话联系，别留个永远不接的号码。 11. 是否有专门的算法安全团队。 不需要多少人，但需要有明确的组织架构和职责分工。 12. 是否建立了算法安全管理制度。 制度不是墙上的标语，是要实际执行的流程和规范。 13. 公司股权结构是否清晰。 穿透到实际控制人，外资成分要特别说明。 14. 是否涉及外商投资。 如果有，需要符合外商投资相关法律法规，这块要单独准备材料。 15. 是否有境外上市计划或VIE架构。 这个涉及国家安全审查，需要提前评估和准备。 这部分是技术人员的主场，但也是最容易踩坑的地方。 16. 算法类型是否选择正确。 是生成合成类？还是个性化推送类？还是多种类型都有？选错了整个材料方向就偏了。 17. 算法名称是否与实际使用的算法一致。 别写个花里胡哨的名字，结果代码里根本没有，审核人员一查就露馅。 18. 算法基本原理是否用通俗语言描述清楚。 记住，审核人员不是算法工程师，“基于Transformer的解码器架构”这种话他们听不懂。 19. 训练数据来源是否明确说明。 公开数据？授权数据？爬取数据？每一种都要说清楚。 20. 训练数据规模是否在材料中准确填报。 不是越多越好，是多少就说多少，造假被查出来代价很大。 21. 数据标注方式和标注人员资质是否说明。 人工标注还是自动标注？标注团队有没有专业培训？ 22. 模型参数规模是否准确填报。 百亿参数还是千亿参数？必须和实际模型一致。 23. 是否使用了预训练模型。 如果用了，是自己训练的还是调用的第三方？第三方是谁，有没有合规授权？ 24. 模型训练环境是否说明。 用了什么硬件，多少算力，训练了多久，这些都要写。 25. 模型评测指标和评测结果是否报告。 你说你的模型效果好，得有数据支撑，不能光靠嘴说。 26. 模型推理部署方式是否说明。 云端部署还是本地部署？API调用还是SDK集成？ 27. 是否存在模型版本管理机制。 每次迭代都要更新备案，不能一个版本备案另一个版本上线。 28. 模型更新频率和更新流程是否说明。 大版本更新和小版本迭代，处理方式不一样，要分清楚。 29. 是否存在模型蒸馏或压缩。 如果有，蒸馏后的模型是否也需要备案？要看具体情况。 30. 是否有模型可解释性说明。 审核人员会问“你怎么知道模型会这样输出”，你得能回答。 这是整个备案的核心，也是审核人员最看重的部分。你要回答的问题只有一个：你的大模型会不会作恶？ 31. 是否已完成算法安全自评估报告。 这份报告必须认真写，不是套模板能解决的。 32. 自评估报告是否由专业机构出具。 第三方评估机构出具的报告，公信力比你自说自话强得多。 33. 是否识别了算法可能带来的安全风险。 歧视、偏见、隐私泄露、虚假信息、恶意滥用……你能想到的风险都要列出来。 34. 每个风险点是否有对应的防控措施。 光说“有风险”不行，得说“我怎么管”。 35. 是否存在内容生成类风险的处理机制。 虚假信息、有害内容、侵权内容，你的模型生成这些怎么办？ 36. 是否存在用户诱导模型越狱的风险预案。 提示词注入、越狱攻击，这些是真实存在的威胁。 37. 是否建立了模型输出审核机制。 用户问什么模型就答什么？还是会经过过滤和审查？ 38. 是否存在未成年人保护机制。 如果你的产品面向未成年人，这块要求会更严格。 39. 是否存在算法成瘾性设计。 你的产品会不会让人沉迷？如果会，你怎么控制？ 40. 是否存在价格歧视或消费诱导。 如果你的模型用于电商或金融场景，这个要特别说明。 41. 是否存在社会动员风险评估。 你的产品会不会被用来煽动舆论、组织非法活动？ 42. 是否建立了应急响应机制。 发现问题怎么办？谁来管？多久处理？ 43. 是否定期进行安全演练。 纸上谈兵不行，得真的模拟过紧急情况。 44. 是否保存了安全事件日志。 出了问题要有据可查，日志是关键证据。 45. 是否建立了安全事件上报机制。 发现问题主动上报和被动发现，性质完全不同。 这部分是很多企业的软肋。不是他们不想保护用户权益，是根本不知道用户有哪些权益需要保护。 46. 是否提供关闭个性化推荐的选项。 这是《互联网信息服务算法推荐管理规定》的明确要求，必须有。 47. 关闭推荐的入口是否明显可见。 别藏在三级菜单里，找都找不到等于没有。 48. 关闭推荐后功能是否正常。 不能说“我给你关了，但你也不能用了”，这叫强制绑定。 49. 用户是否可以查看自己的行为数据。 “我的数据是怎么被用的”，用户有权知道。 50. 用户是否可以删除自己的数据。 这个权利在《个人信息保护法》里写得清清楚楚。 51. 用户是否可以更正自己的数据。 数据错了能改，这是基本要求。 52. 是否提供账号注销功能。 用户要走就走，不能设置障碍。 53. 注销后数据保留期限是否明确告知。 法律规定最长6个月，不能无限期留着。 54. 是否建立用户投诉和申诉渠道。 用户受了委屈得有地方说理。 55. 投诉处理时限是否明确规定。 不能让用户投诉了石沉大海。 56. 是否定期分析投诉数据改进产品。 投诉是改进的机会，不是找麻烦。 57. 用户协议和隐私政策是否清晰易懂。 别写一堆法律术语把人看晕。 58. 是否明确告知用户算法使用的目的和范围。 用户得知道他的数据被用来干什么。 59. 是否获取了用户有效的知情同意。 弹窗点个“同意”不算数，得确保用户真的理解了。 60. 未成年用户是否有特殊保护机制。 实名认证、时长限制、消费限制，该有的都得有。 如果您想参与大模型补贴，首先就得组建一支专业的AI研发团队，从模型选型、数据清洗、微调训练到安全评估，不仅人力成本高，资金投入更是巨大，而且还时间紧任务重。 大模型最让人担心的就是“一本正经胡说八道”。你得证明你的胡说八道有底线。 61. 是否建立内容过滤机制。 什么能说什么不能说，得有明确的规则和执行。 62. 是否建立敏感词库。 政治、色情、暴力、违法犯罪……这些领域的敏感词必须覆盖。 63. 敏感词库是否定期更新。 社会热点在变，敏感词也要与时俱进。 64. 是否建立内容审核团队或使用审核服务。 纯靠技术过滤不够，关键内容需要人工复审。 65. 审核团队是否经过专业培训。 不是随便拉个人就能审，得懂法规、懂标准。 66. 是否建立AIGC内容标识机制。 AI生成的内容要有明显标识，不能以假乱真。 67. 标识方式是否符合国家标准。 《互联网信息服务深度合成管理规定》对标识有明确要求。 68. 是否建立了虚假信息识别和处置机制。 模型说错了怎么办？得能发现、能纠正、能追责。 69. 是否存在版权侵权风险防控。 模型生成的内容可能涉及他人版权，你有措施吗？ 70. 是否建立了侵权投诉处理机制。 有人说你侵权了，你得能快速响应。 71. 是否对模型输出进行抽样检测。 定期抽检，看模型有没有跑偏。 72. 是否建立了黑名单机制。 恶意用户、违规用户，要有措施限制。 73. 跨境内容是否有特别处理。 如果你的产品面向境外用户或者处理境外数据，需要额外注意。 74. 热点事件内容是否有特别审核。 重大事件期间，审核力度要加大。 75. 是否建立了内容安全事件复盘机制。 出事了要分析原因，避免再犯。 大模型的燃料是数据，数据安全不过关，其他一切都白搭。 76. 是否建立数据分类分级制度。 什么数据是敏感的，什么是一般的，得分清楚。 77. 敏感数据的存储方式是否合规。 加密存储、本地存储还是云存储，都有不同要求。 78. 数据传输是否加密。 传输过程中的数据安全，同样重要。 79. 用户个人信息的收集是否符合最小必要原则。 不能收集无关的信息。 80. 是否存在数据共享或第三方调用。 如果有，数据接收方合规吗？有协议吗？ 81. 数据跨境传输是否符合规定。 涉及境外的，要过安全评估。 82. 是否建立了数据安全管理制度。 制度要落在纸面上，不能只是口头说说。 83. 数据安全责任人是否明确。 出了问题找谁，要有明确的人负责。 84. 是否定期进行数据安全培训。 员工的安全意识，是最后一道防线。 85. 是否建立数据泄露应急响应机制。 泄露了怎么办？第一时间做什么？ 86. 是否保存数据安全日志。 日志要留存足够长的时间，以备检查。 87. 是否进行过数据安全评估。 定期评估，发现问题及时整改。 88. 废弃数据的销毁方式是否合规。 删除不等于销毁，得彻底。 89. 训练数据的版权是否清晰。 用了有版权的数据，得有授权证明。 90. 是否存在数据垄断风险。 监管部门也在关注数据竞争问题。 备案不是一锤子买卖，备案后的持续合规才是真正的考验。 91. 是否建立了备案变更机制。 算法更新了、公司变更了，要及时更新备案信息。 92. 是否建立了定期自查机制。 备案通过不代表永远合规，要定期检查。 93. 是否建立了监管沟通渠道。 和监管部门保持联系，有问题及时沟通。 94. 是否关注最新的监管政策动态。 法规在更新，你的合规也要更新。 95. 是否建立了员工合规培训机制。 新人要培训，老人也要复习。 96. 是否建立了内部合规考核机制。 合规不能只靠自觉，要有考核有奖惩。 97. 备案号是否在产品显著位置公示。 这是法定义务，不公示等于没备案。 98. 备案信息变更是否在规定时间内完成。 重大变更10个工作日内要更新。 99. 是否建立了备案档案管理制度。 所有材料要有归档，保存足够长的时间。 100. 是否准备好了迎接现场检查。 这100条，不要求条条完美，只是让你知道自己在做什么、有什么风险、怎么控制风险。 如果还是不知道该怎么办，那欢迎进行专业咨询生成式人工智能 #大模型备案 #算法备案 #网络安全 #AI产品安全应用
第一部分：主体资质与基本信息（1-15条）
第二部分：算法技术信息（16-30条）
第三部分：安全风险评估（31-45条）
第四部分：用户权益保护（46-60条）
第五部分内容安全机制（61-75条）
第六部分：数据安全保护（76-90条）
第七部分：流程机制与持续运营（91-100条）