2026 年 8 月 2 日，欧盟委员会对通用人工智能模型提供者的执法权正式生效。从这一天起，AI 办公室不再只是发指南、开研讨会的咨询机构------它有权对不合规的模型提供者开出罚单，金额最高可达 1500 万欧元或全球年营业额的 3%，取两者中较高者。对很多中国开发者来说，这条新闻的第一反应是"跟我没关系，我又不在欧盟"------但 AI Act 的管辖逻辑是"投放欧盟市场"，不是"注册地在欧盟"。你的模型只要在 Hugging Face 上开放下载、你的 API 只要对欧洲用户开放，你就已经在射程之内。
这不是危言耸听。2025 年 8 月 2 日，AI Act 第五章关于 GPAI 的规则已经生效一年；2026 年 8 月 2 日，罚则开始适用。一个残酷的细节是：如果你在 2025 年 8 月 2 日之后把模型投放市场，那么从 2026 年 8 月 2 日起，你做的每一件事都可能被翻旧账------训练数据用了什么、版权政策有没有、模型文档写了没有、系统性风险评估做了没有。罚款的追溯不是从"被查那天"起算，而是从"生效那天"起算。也就是说，现在开始补合规动作，补的是一年多以前就该做的功课，时间差越大，翻旧账的风险敞口就越大。
这篇文章不讲法条原文，只回答三个工程师真正关心的问题：**我的模型算不算 GPAI？我的训练规模过没过 10^25 FLOP 红线？开源模型到底豁免了什么？**三个问题都有明确的技术判定标准，甚至可以直接用代码算出来。看懂这三件事，你就知道自己处在监管的哪个格子、需要优先补哪几样东西。
一、先判断：你的模型是不是 GPAI
AI Act 第 3 条第 63 款给 GPAI 下了一个非常"大模型"的定义：通过大规模数据进行自监督训练、表现出显著通用性、能胜任多种不同任务、可以集成到下游系统。翻译成人话：你在大规模语料上做 next-token prediction，训出来的模型既能写代码又能聊天又能做分类------你就是 GPAI 提供者。这个定义没有算力门槛，小到 1B 参数的开源模型，只要符合"自监督训练+通用性"，就落入监管范围。
有一个常见误区：认为只有像 GPT 那样的前沿模型才被管。实际上 AI Act 把 GPAI 提供者的义务分成两个等级：一般义务 （所有 GPAI 提供者都要履行）和系统性风险义务（只有超大规模模型要履行）。一般义务包括三类：准备并持续更新技术文档、制定并落实版权政策、在训练数据层面公开足够详细的摘要。这些义务不看你模型多大，看你有没有做------很多开源项目现在连 model card 都写不完整，这就是第一道坎。
第二道坎藏在"提供者"这个词里。AI Act 对提供者的定义是"将 GPAI 模型投放市场或投入服务的自然人或法人"。注意两个动作：投放市场，指在欧盟市场上提供；投入服务，指在自己的服务里使用。如果你的公司用开源模型做了个面向欧洲客户的 SaaS，你既是部署者也是"投入服务"的一方------虽然你不需要承担模型提供者的全部义务，但下游链条上的责任划分、记录义务一样不少。大模型生态是分层的，监管也是分层的，先搞清楚自己在哪一层，比急着抄合规模板更重要。
二、10^25 FLOP 红线：用代码算清楚
系统性风险的判定是 AI Act 里少有的"有明确数字"的条款：训练所用累积计算资源超过 10^25 FLOP 的 GPAI 模型，被推定为具有系统性风险（第 51 条第 2 款）。被推定之后，除了承担一般义务，还要额外做模型评估、报告严重事件、确保充分的网络安全防护------义务量级直接翻倍。这里的关键词是"累积"：不是最后一次训练的花费，而是同一模型所有版本、所有中间训练、所有实验加在一起的计算量。
10^25 是什么概念？业界估算训练 FLOP 有个通用公式：FLOPs ≈ 6 × 参数量 × 训练 token 数。我写了一个可以直接运行的小脚本，把你的参数规模和 token 量输进去，它会告诉你离红线还有多远：
python
def estimate_flops(params_b, tokens_b):
"""估算训练总 FLOPs，参数单位：十亿，token 单位：十亿"""
flops = 6 * (params_b * 1e9) * (tokens_b * 1e9)
threshold = 10 ** 25
margin = flops / threshold
verdict = "已超过红线，触发系统性风险义务" if margin >= 1 else "未过红线"
print(f"估算 FLOPs: {flops:.2e}")
print(f"红线 10^25 的倍数: {margin:.2f}x")
print(f"判定: {verdict}")
return flops
# 示例：70B 参数 × 15T token（Llama 3 量级）
estimate_flops(70, 15000)
# 示例：7B 参数 × 2T token（中小开源模型）
estimate_flops(7, 2000)跑一下就知道：70B × 15T token ≈ 6.3×10^24，距离 10^25 只差一点，勉强在红线内；而 1.4T 参数 × 30T token 的巨型模型 ≈ 2.5×10^26，超过红线 25 倍，系统性风险义务跑不掉。注意这个公式只是粗略估算，实际训练还有 attention 计算、激活重计算、数据预处理等开销，真实数字通常比估算值高 20%-50%，所以离红线 10 倍以内都该按"准系统性风险"来准备。欧盟委员会还可以依据附件 XIII 的标准指定某个模型为系统性风险------没过红线不代表绝对安全，过线基本跑不掉。
三、时间线：三个 8 月 2 日的区别
AI Act 的生效节奏经常被混为一谈，我把关键节点整理成一张表：
| 日期 | 节点 | 对谁生效 |
|---|---|---|
| 2025-08-02 | GPAI 提供者义务规则生效 | 当天及之后投放市场的模型 |
| 2026-08-02 | 委员会执法权+罚款生效 | 2025-08-02 之后投放的模型（含修改版） |
| 2027-08-02 | 存量模型合规宽限截止 | 2025-08-02 之前已投放的模型 |
这张表最容易被忽视的是最后一行：2025 年 8 月 2 日之前就投放市场的模型，不是不受管，而是宽限到 2027 年 8 月 2 日。也就是说今天还在服役的所有主流开源模型------Llama 3、Qwen2.5、DeepSeek V3 那一代------明年这个时间点之前必须完成合规改造，否则同样面临罚款。合规不是"新模型的事"，是"所有在欧盟市场流通的模型的事"。
还有一个灰色地带：如果模型的原始版本在 2025 年 8 月 2 日之前投放，但修改版在之后发布，罚款条款从哪天起算？欧盟官方指南没有给出明确答案，目前处于法律解释的真空区。对开发者来说这意味着什么？每次发布新版本前，都要重新评估自己在时间线里的位置------这不是法务部门的工作，是需要写进 CI 发布流程的检查项。版本号每升一次，合规状态就要重新过一遍。
四、开源豁免：豁免的不是全部
开源社区最关心的问题：我的模型 Apache 2.0 开源，是不是什么都不用做？答案是否定的。AI Act 的豁免条款（第 53 条第 4 款）说的是：以开源许可公开、权重可下载、且不构成系统性风险的 GPAI 模型，豁免部分一般义务------具体豁免的是透明度相关的文档义务，但版权政策、训练数据摘要这些核心义务并不在豁免范围内。
这里有一个非常关键的细节：欧盟对"开源模型"的定义比我们通常理解的严格得多。不是"代码开源"就算，必须是模型权重本身以开源许可发布、且用户可以自由下载和修改。那些"开放权重但禁止商用"的许可（比如某些 API 模型的特殊条款），在欧盟眼里不算开源，豁免不适用。我见过不少团队把"代码在 GitHub 上开源了"当成"模型开源了"，这是两回事。代码开源、权重闭源，在 AI Act 的框架下就是闭源模型，全套义务一个不落。
把一般义务和系统性风险义务拆开看：
| 义务项 | 开源模型 | 闭源/商业模型 |
|---|---|---|
| 技术文档 | 豁免（非系统性风险时） | 必须 |
| 版权政策 | 必须 | 必须 |
| 训练数据摘要 | 必须 | 必须 |
| 系统性风险评估 | 过红线就必须 | 过红线就必须 |
| 严重事件报告 | 过红线就必须 | 过红线就必须 |
换句话说，开源豁免的只是"写文档"的部分负担，数据合规和法律风险一个都没少。如果你在 10^25 FLOP 之上又选择了开源，那你要同时承担系统性风险义务里最重的那几项------因为你的权重人人可查、你的训练方法全在论文里，审查者不需要费任何力气就能完成初步取证。开源身份在这里不是保护伞，反而是放大镜。
五、行为准则与模型卡片：把合规变成模板
欧盟委员会在 2025 年 7 月发布了《通用人工智能行为准则》，分为透明度、版权、安全三个章节，签署准则的提供者可以借此证明自己在第 53 条和第 55 条义务上的合规性。对工程团队来说，这套准则最实用的地方是它给出了"合规长什么样"的具体参照------不用自己发明一套文档体系，照着准则的章节结构搭模型卡片就行。一个合格的 model card 至少要覆盖：模型的用途与限制、训练数据的规模与来源、版权政策的链接、已知的偏见与风险、评估结果摘要。
我见过的最省力的做法，是把 model card 做成仓库里的一个 JSON 文件，随每次发布自动更新，合规检查直接读这个文件而不是人工翻文档：
json
{
"model": "your-model-7b",
"version": "2.1.0",
"release_date": "2026-08-01",
"training": {
"params_b": 7,
"tokens_b": 2000,
"est_flops": "1.2e+24",
"systemic_risk": false
},
"license": "apache-2.0",
"open_weight": true,
"copyright_policy": "docs/copyright-policy.md",
"data_summary": {
"total_docs_b": 1.8,
"sources": ["commoncrawl", "github", "books"],
"languages": ["zh", "en"],
"contains_pii": false
},
"evals": {
"code_bench": 0.62,
"safety_harm": 0.03
}
}这个文件本身就有三个作用：第一，发布流水线在发版前读它做门禁校验，缺字段直接阻断；第二，它同时满足了一般义务里"技术文档"和"训练数据摘要"的绝大部分要求；第三，欧盟审查时，你交出一个机器可读的合规清单，比交 200 页 PDF 更可信。把合规做成数据，而不是做成文档，是小团队最划算的投入方向。
六、开发者的五步自检清单
把上面的内容落成可执行动作，我建议每个模型提供者按这个顺序自查：
**第一步，算 FLOP。**把上面那段脚本跑一遍，确定自己是否过 10^25 红线，也顺带估算一下"累积"计算资源------注意是累积，多个模型版本、多次训练都要算进去，这是一个大坑，很多人只算最后一遍训练。把每次训练的参数量、token 量、实验轮数登记成一张表，这件事本身就已经在满足"训练数据透明度"的一部分要求。
**第二步，定豁免身份。**检查你的许可：权重是否真的开放？是否允许商用？如果你用"开放权重+限制商用"的许可，直接按闭源模型准备全部义务，别指望豁免。这一步决定你后面所有工作的量级，判断错了，要么白做一半工作，要么漏掉一半义务。
**第三步，补齐版权政策。**这是最容易低成本完成的一项：明确训练数据的来源、爬虫是否遵守 robots.txt 和权利保留声明、建立投诉联系渠道。欧盟 2025 年发布的《行为准则》版权章节要求的就是这三件事。注意欧盟的立场是"爬取需尊重权利保留"，与"公开数据随便爬"的美国惯例有本质差别，用美国式数据管线的团队要格外小心。
**第四步，写训练数据摘要。**不需要公开完整数据集，但需要"足够详细"的摘要------数据规模、来源类型、语言分布、是否包含个人信息。欧盟指南明确说：如果无法重新训练或去学习化，必须在版权政策和摘要里如实披露，不能沉默。很多团队卡在这一步是因为数据来源本身不干净------合规检查暴露的往往不是文档问题，而是数据治理问题。
**第五步，把合规检查写进发布流程。**在模型发布 pipeline 里加一个合规门禁：FLOP 估算、许可文件、版权政策、数据摘要、model card，五样缺一不可才能发版。这一步的成本最低，收益最高------因为它把合规从"事后补救"变成"事中自动"，也顺便倒逼团队把数据资产梳理清楚，这对后续的训练迭代只有好处。
这五步不是给大厂准备的，恰恰是给中小团队和独立开发者的。大厂有法务部，可以慢慢研究判例；小团队没有这个冗余，最好的策略就是在 8 月 2 日罚则生效之前，用几个晚上把文档补齐。**监管的靴子已经落地，剩下的问题不是"会不会被查"，而是"查到你的时候，你拿得出什么"。**今晚就行动，把第一步的脚本跑一遍，你会对自己的风险敞口有一个全新的认识。