2024 年 2 月 29 日，全国网络安全标准化技术委员会发布《生成式人工智能服务安全基本要求》（TC260-003）。文件把安全要求拆到语料、模型、输出与评估方法四个层面；生成式人工智能服务备案需提交安全评估材料，评估因此从原则声明变成可核查的文档工作。对准备备案或已上线服务的企业，难点不在理解要求，而在把要求变成可追溯的记录。
四个评估对象
语料安全关注来源合法、内容合规与标注规范；模型安全关注训练过程、参数与供应链；输出安全关注生成内容是否违法、是否侵犯权利、是否误导；评估方法关注抽样、测试与结论的形成方式。
四者不是并列的检查项。语料问题会在输出中放大，模型问题会在特定提示下暴露，评估方法决定前两者能否被证明。把评估做成一次性的材料汇编，通常会得到互相矛盾的结论。
语料审查的证据链
语料审查从清单开始：来源、获取方式、授权文件、数量、用途与保存位置。公开抓取、客户提供、第三方采购与自产数据应分开记录，因为授权范围不同；采购数据还要看是否允许训练、微调与对外服务。
黑名单与过滤规则要有版本。规则写在制度里、执行靠人工判断，无法证明一致性；把关键词库、过滤日志与拦截样本对应起来，才能说明控制实际运行。知识产权审查同样如此，来源说明、授权证明与侵权投诉处理记录应能相互印证。
模型测试与输出抽检
模型测试要有场景化的测试集，覆盖产品的主要功能与高风险提示。测试集不必追求规模，但要保留版本、构造方法与预期结果；每次模型更新后重跑，才能看出回归。
输出抽检解决的是持续性问题。抽检频率、样本来源、判定标准与处置流程应事先确定；发现问题的样本要进入处置与修复流程，而不是只从报告中删除。人工复核与自动过滤并用，比单一手段更可靠。
评估报告与复评
评估报告的结构应能回答四个问题：评估范围是什么、用了什么方法、发现了什么问题、采取了什么措施。结论要有证据指向，避免“总体安全”这类无法验证的表述。
复评不是年度动作，而是触发式动作。模型重大更新、语料来源变化、新增应用场景、发生安全事件，都应触发复评；复评记录与上线版本对应，才能在检查时说明当前服务的安全状态。
涉及备案路径与材料组织，可参见算法备案服务；语料来源与授权链梳理，参见数据合规服务；内容安全与技术防护，参见网络安全合规服务。
本文依据全国网络安全标准化技术委员会 2024 年 2 月 29 日发布的《生成式人工智能服务安全基本要求》（TC260-003）及公开信息编写，仅供参考，不构成法律意见。