算法定价、隐私政策演变与开发者中介
大模型的隐私政策是如何悄悄变化的？
💡
本期前沿速递分享了两篇论文。
第一篇论文研究的是大语言模型的隐私政策。你有没有想过，这些政策跟我们熟悉的传统软件有何不同？这些政策的修改，究竟是技术更新的产物，还是监管压力下的被动回应？我们可能每天都在使用 AI 服务，却很少有人会真的去读那些冗长的隐私条款，但没关系，读一读这一篇论文也是可以的。
另一篇论文研究 Hugging Face，在这个号称「AI 的 GitHub」的开源社群里，权力真的分散吗？谁是模型下载量的最大赢家？在开源 AI 模型生态系统中，经济权力是如何随着时间推移在不同的国家、开发者和组织之间转移的？为什么开源的理想，似乎正一步步走向不透明的现实？这篇论文都给出了非常扎实的答案。
祝今日读写愉悦，洞见深省。
第一篇论文研究的是大语言模型的隐私政策。你有没有想过，这些政策跟我们熟悉的传统软件有何不同？这些政策的修改，究竟是技术更新的产物，还是监管压力下的被动回应？我们可能每天都在使用 AI 服务，却很少有人会真的去读那些冗长的隐私条款，但没关系，读一读这一篇论文也是可以的。
另一篇论文研究 Hugging Face，在这个号称「AI 的 GitHub」的开源社群里，权力真的分散吗？谁是模型下载量的最大赢家？在开源 AI 模型生态系统中，经济权力是如何随着时间推移在不同的国家、开发者和组织之间转移的？为什么开源的理想，似乎正一步步走向不透明的现实？这篇论文都给出了非常扎实的答案。
祝今日读写愉悦，洞见深省。
前沿速递
大语言模型隐私政策演变的纵向测量研究
研究问题
大语言模型服务在收集和处理大量用户数据的过程中引发了显著的隐私担忧。现有的隐私法规如 GDPR 虽然适用，但 LLM 的独特数据实践，如利用用户输入进行模型训练、通过插件与第三方进行复杂数据交互等，带来了新的挑战。以往对隐私政策的研究主要集中在传统网站和移动应用上，缺乏对 LLM 服务提供商隐私政策的系统性、纵向的实证分析。现有研究规模较小，或沿用不完全适用于 LLM 场景的分类框架，未能充分揭示 LLM 隐私政策的独有特征及其如何随技术和监管环境动态演变。
因此，本研究旨在回答以下核心问题：与传统软件相比，大语言模型的隐私政策在长度、可读性、模糊性及内容上有何不同？不同司法管辖区和提供商的隐私政策存在哪些差异？这些隐私政策如何随着时间的推移而演变，生态系统中的关键事件（如产品发布和监管行动）又在其中扮演了怎样的驱动角色？
