数据集许可证（Dataset License）

一句话理解

数据的“使用条款”——模型权重有许可证，训练它的数据同样有：能商用吗？要署名吗？能再分发吗？

定义

数据集许可证规定语料的使用范围：宽松派（如 CC0、CC-BY）、署名与相同方式共享派（CC-BY-SA）、非商业派（NC 修饰符）与仅研究派。开源模型浪潮之后，数据合规成为下游使用的前置审查项。

你会在哪遇到它

开源平台数据集页的许可标签；企业训练前的法务审查；“爬取数据练模型是否侵权”的诉讼新闻。

背后的原理

核查四件事：许可类型与商用条款、来源合法性（是否含爬取的受版权内容）、个人数据与隐私（是否脱敏）、再分发限制。常见盲区是“模型许可证合规等于训练数据合规”——两者独立，后者风险面更大（版权、隐私、行业规定三条线）。

和相近概念的区别

1 与模型许可证（本批 A 组词条）：管的对象不同，一套模型要过两道许可关。 2 与 AI 版权（词条 902）：版权词条讲“AI 生成物归谁”，数据许可证讲“拿什么喂模型”。 3 与公共语料运动：目标是提供“干净可商用”的训练底料。

常见误区

1 网上公开的信息随便爬随便用——公开可读不等于授权训练。 2 标了 CC-BY 就能商用——注意 NC（非商业）与 SA（相同方式共享）等修饰符。 3 买了数据就一劳永逸——个人数据部分还要过隐私这一关。