3 篇文档带有标签「数据保留」

一句话摘要：在厂商 API 上微调（fine-tuning-as-a-service），有两个面要分开看。面①——你的微调数据在厂商侧的去向：它被保留多久、会不会被用于训练或人工审查、产出的微调模型是否只供你私用，这些都不是一个数，要按各厂商当下条款逐项核（多数厂商官方文档称：微调输入输出默认不用于训练、微调模型仅供你私用——但仍要核你这个档、这个端点、这个区域的具体条款，且条款会变）。面②——微调本身会侵蚀对齐：Qi 等（ICLR 2024）用 OpenAI 微调 API、仅约 10 条对抗样本、花费小于 $0.20 就越掉了 GPT-3.5 Turbo 的护栏；更要紧的是，即便只用良性数据（Alpaca / Dolly）微调，也会无意中拉低安全对齐。结论先行：把数据交给厂商微调 API，既要核数据边界，也要假设微调会削弱对齐——包括模型原本会做的隐私拒答。（注意：Qi 等主要是安全对齐被侵蚀的结果，不是直接的数据泄露 / PII 抽取结果——本条据此说「微调会连隐私拒答一起削弱」，不夸大成「微调能把训练数据抽出来」。）

一句话摘要：产品级「记忆」功能按设计就会把跨会话信息写到外部存储——ChatGPT 会引用你所有过往对话、还会在你没开口时主动把它认为有用的细节存成「saved memory」；你若在对话里透露了敏感信息，它可能就此落进记忆。这不是隔离 bug（那是跨会话记忆串味那条讲的事故），而是功能正常工作时的治理后果：你能看到、删得掉多少，边界在产品与后端手里。更硬的一课来自 2025 年 NYT v. OpenAI——一纸法律保全令曾冻结 OpenAI 对「本应删除」数据的删除（约 5 月中至 9 月底），把「关掉记忆 / 到期即删」这类假安全一次性打穿。结论先行：把产品记忆当又一处受产品与法律双重支配的数据副本来治理，别把「我关了开关」当成「已经删干净」。

一句话摘要：把私有数据发给第三方推理 API，「他们不拿去训练」往往是真的——但那只是数据边界的一格。还要逐项核：保留多久、滥用监控日志留多久、企业档和消费档差在哪、有没有零数据保留（ZDR）、子处理方是谁、数据落在哪个区域、有没有 DPA/BAA。更要记住：这些条款会变，还可能被法律令推翻。把一句「我们不训练」当成整条边界，是最常见的运营期假安全。