语料授权怎么计价：按本、按年、按用途三种单位带来的审计差别
一、计价单位不是财务选择，是工程选择
据公开报道，海外内容出版方与模型公司之间的语料训练授权已经出现若干成交形态：一种是按单本书、约定期限计价，由出版方与作者分成；另一种是按整体学术内容库达成较大金额的一次性授权，并附有期限结束后的持续使用安排。另有报道涉及从非授权来源获取语料而引发的诉讼与和解。这里要把边界说清楚：所有金额、期限长度与分成比例在本篇一律不作为判断依据，任何一家具体公司的训练集来自哪里我们不推测，诉讼与和解的结果也不推测，非授权来源那类争议本文只当作取证与审计链问题处理，不评价立场。
真正值得写进工程文档的是计价单位的选择。财务视角看，按本计还是按库计是付款方式的差别；工程视角看，它决定了这份合同日后能不能被核对。按可枚举对象计价，双方手里有一张能逐条对上的清单；按整体库打包计价，就没有任何第三方能回答“到底用了哪些、用了多少”这句话，只能靠双方的记录一致性维持。一旦需要举证，或者需要向被分成的一方解释算了多少，打包计价这一侧就只能引用条款文字本身。
换句话说，计价单位选的是审计方式，而审计方式要在签合同之前确定，签完之后补不出可枚举性。下面按这个思路把四种单位、五类条款要素和需要留存的证据形态写清楚。
二、核心交付物之一：四种计量单位的审计可行性对照
| 计量单位 | 可枚举性 | 使用计数怎么提交 | 审计难度 | 适合的交易形态 |
|---|---|---|---|---|
| 按可枚举对象（本、篇、条目） | 高，清单天然存在 | 逐条给出被纳入批次的标记与次数 | 低，能双向核对 | 有作者分成、需要向第三方解释的计算 |
| 按字节或 token 总量 | 中，需要定义计量口径 | 按批次给出总量与切分规则 | 中高，压缩与切分会改变数字 | 一次性整库采购 |
| 按用途与模型类别 | 低，用途边界靠定义 | 按用途标签分别计数 | 高，用途交叉时无法拆 | 用途窄而明确的检索或评测授权 |
| 按期限与席位 | 低，与内容本身脱钩 | 无法从计数反推内容范围 | 高，只能核对期限 | 平台服务形式的访问授权 |
对照表里最重要的一列是可枚举性，不是审计难度。审计难度高还可以靠流程补，可枚举性低则是从原理上无法还原：按字节计价时，同一批语料经过不同清洗与切分，token 数可以差出成倍，双方各自数一遍必然对不上；按用途计价时，一个模型同时用于检索和生成，这笔用量归哪一档只能重新谈判。所以判断一份授权是否可执行，只看一件事：终止或争议发生时，你能否拿出一份对方也能核对的清单。
由此得出两条实务结论。第一，只要涉及分成，计量单位必须落在可枚举对象上，因为分成对象是一本本书，不是一个总量数字。第二，按库打包计价可以接受，但必须附一张交付时的内容清单快照，把打包价的内涵固定下来，否则“整体库”这个词在期限结束时会被重新解释。
三、核心交付物之二：许可条款五要素填写清单
条款写不到位，前面选的计量单位会空转。五要素每一项都要写成可判定的句子，含糊写法一栏列的是最常见的失效形态。
| 要素 | 必须写清的内容 | 常见含糊写法 | 判定句示例 |
|---|---|---|---|
| 可用范围 | 训练、检索、评测、展示四类用途分别是否允许 | 写“允许用于模型相关用途” | “允许用于一次性预训练与离线评测，不允许用于面向用户的检索返回” |
| 输出可识别性 | 能否对外输出可辨认的原文片段及其长度上限 | 只写“不得复制原文” | “生成结果中出现连续若干句以上原文即视为输出越界，需可被抽样核验” |
| 期限与终止后处置 | 到期后已训成的模型、缓存与索引分别怎么处理 | 只写“授权到期自动终止” | “到期后新批次停止使用，既有模型不再追加该来源的增量训练，检索索引须在期限内下线该来源条目” |
| 再分发与子许可 | 能否给关联方、云上托管方、标注外包方使用 | 整条缺失 | “不得子许可；在第三方算力上运行不构成再分发，但须书面备案托管方” |
| 衍生归属与命名 | 微调与蒸馏产物归谁、能不能沿用来源方的名义 | 写“衍生作品协商确定” | “衍生模型归被许可方，不得以任何形式使用许可方的名称或来源标识作宣传” |
五要素里最容易被买方漏掉、日后代价最大的是第三条。训练这件事没有归还动作：模型训完了，语料并不在模型里以可删除的形式存在。到期条款如果只写终止，不写已训模型怎么处理，实际执行时要么被解释成无所谓，要么被解释成要重训，两者都不是可谈判的空间。正确的写法是把到期之后的行为拆成三档：可继续使用的（既有模型的推理）、须停止的（新批次投入）、须清理的（索引、缓存、示例集与对外可检索片段），逐档写明。
四、合法取得要留的证据，以及分成模式下的可解释义务
授权链的证据不是发票一张。我们建议按五件套准备，缺任何一件，事后解释都要靠回忆。
- 来源清单：这一批语料从哪些对象取得，各自的授权范围与期限，形成可枚举的表。
- 逐批投入记录：哪一批在什么时点进入哪个训练或索引流程，批次号与任务号能对上。
- 完整性凭证：每批的哈希清单，用来证明“当时那一份”是什么，而不是现在这一份。
- 授权链文件：上游到下游的许可传导证明，尤其是需要多方授权的内容。
- 通知响应记录：收到删除或撤回通知后的处理动作与完成时间，这一条最常被漏，而它恰恰是争议时唯一能自证的操作性材料。
五件套里第二和第三项要在流程里自动化，靠人工登记一定会断。可行的做法是在数据入库时强制写入批次标识与摘要，训练任务提交时引用批次标识而不是路径，这样投入记录是流程副产品而不是额外工作。
分成模式还会多出一项对作者的可解释义务，三个问题必须答得出：用了哪几本、用了多久、算得多少。前两个来自来源清单与批次记录，第三个来自计量单位。如果计价按总量而不是按条目，这里就只能给出一句估算，而估算在分成谈判里等于没有数字。这也是第二节那条结论的实际后果：分成链条越长，计量单位越必须往可枚举对象上收。
五、审计权的工程含义，以及技术追踪能做到哪一步
审计权写在合同里只是一句话，落到工程上要有三个可执行约定。第一，对方要能提交可核对的使用计数，形式必须是清单或批次日志，而不是一份汇总报表；汇总报表无法复核，只能选择相信。第二，我方要能提供对应的枚举清单与更新日志，让人能验证你声称的删除真的发生过。第三，审计频率、范围与费用承担要预先约定，含一次审计能取走什么材料、能不能带外部人员、发现差异后的复核程序与时限。这三条里最实际的是第三条：没有约定费用的审计条款，等于约定了一个谁也不会启动的程序。
技术侧要坦率承认边界。数据指纹能做的是证明某份投喂内容在批次里出现过，配合哈希清单可以证明某个批次的组成，这是可证明投喂的路径；水印能做的是在可输出的内容里留下可检出的标记，适用面局限于内容还能被取出的场景，例如检索返回、示例集与缓存，而模型训练之后权重里的信息并不因水印而可提取。也就是说，技术上能证明投入，不能证明遗忘。这个边界要写进条款，避免双方对“审计”的期待不一致：审计靠的是留证与计数的一致性，不靠从模型里挖证据。
把这句话再收一下：任何声称能事后从训练好的模型中鉴别出特定语料的方案，都不能作为审计依据写进合同；能写进去的是双方都掌握的记录形态。
六、买方侧三条常见漏项与我们怎么把它接进流程
第一条漏项是只买训练不管检索。同一批语料被拿去建检索索引、做召回展示，在多数条款里属于另一个用途档位，而检索是把原文送到用户眼前的通道，风险特征与训练完全不同。签约时要把用途逐项打勾，检索与展示单独谈。第二条漏项是期限到期后不知道该做什么，根因是终止条款没有拆成三档，导致到期当天没有任何可执行动作，也留不出“须清理”的证据。第三条漏项是把子许可权写没了，云上托管、外包标注、集团内关联公司使用，都需要一条明确的传导许可，否则每个动作都得单独去补同意，而补的时候对方已经知道自己没有议价空间。
流程上我们把这套东西压缩成三张表来用：计量单位选择表决定合同形态，五要素填写清单决定条款文本，五件套证据表决定数据管线的强制字段。三张表里唯一会改到工程代码的是最后一张，批次标识与摘要在入库时不可为空，这条规则在洹拓的数据准入里是硬约束，因为事后补不回来。语料授权这件事，签合同只是起点，能审、能算、能在被问时给出清单，才是这份授权的真实价值。