项目背景
客户为依托自研大模型对外提供 API 与微调服务的基础模型公司。模型迭代快、对外调用多，在首个版本拟正式商用前，多重监管义务同时触发，且彼此关联：备案是"登记"，安全评估是"风险论证"，二者程序不同、材料不同。
核心挑战
- 程序混淆：团队将"大模型备案"与"生成式AI安全评估"视为同一动作，导致材料清单错位、申报口径不完整。
- 语料证据缺失：训练语料的来源与授权链路未系统留痕，安全评估要求说明语料合法性时缺乏可核验证据。
- 算法功能叠加：模型同时具备生成、推荐与检索增强功能，算法备案的触发范围需逐功能判定。
- 上线节奏压力：商业化节点已定，合规起点若后置，将面临"先上线后补正"的被动。
简深的解法
- 双程序分轨：明确大模型备案（网信办登记）与生成式AI安全评估（风险评估报告）为两套独立程序，分别准备材料、并行推进。
- 语料合规留痕：搭建语料来源台账与授权链路，区分自有、采购、公开与用户数据，形成可核验的合法性说明。
- 算法功能拆分：按生成、推荐、检索增强等功能逐项判定算法备案触发点，避免漏备。
- 可交付物：输出备案受理/登记材料、安全评估报告、语料合规台账三类可追溯文件。
非显而易见的专业判断
多数基础模型公司把"备案"和"安全评估"当作一件事，只交一套材料。我们的判断是：二者程序性质不同——备案是主体与模型的登记，安全评估是对语料、标注、应用场景的风险论证，评估结论才是监管真正要看的实质。尤其关键的是，语料来源合规不是上线前临时补的材料，而是训练开始时就应留痕的证据链；等到申报阶段再追溯，往往已无法还原。这一判断直接决定合规起点的完整性与可核验性。
关键成果
- 大模型备案与生成式AI安全评估材料齐备，形成可追溯的申报与登记记录。
- 语料合规台账建立，覆盖自有、采购、公开与用户数据的授权链路，支撑安全评估的合法性说明。
- 算法备案触发点按功能逐项判定并落地，避免上线后被监管约谈的被动。
客户名称与商业数据已脱敏。适用规则、监管程序与交付物类型为实际情形，未作简化处理。