Ant Group vydal souhrny trénovacích dat k dvaceti modelům podle AI Actu

Laboratoř inclusionAI, pod kterou Ant Group vydává modely s otevřenými vahami, založila 24. září na Hugging Face repozitář AI-Transparency a nahrála do něj jedenáct souborů PDF. Každý z nich je vyplněná šablona Evropské komise pro souhrn trénovacího obsahu – dokument, který po tvůrcích obecných modelů žádá čl. 53 odst. 1 písm. d) nařízení (EU) 2024/1689, tedy AI Actu. Odkaz na příslušný soubor přibyl týž den do karet dvaceti modelů z řad Ling, Ring a Ming.

Historie revizí ukazuje, že se to dělalo na dvakrát. Nejdřív, mezi 7.50 a 7.55 UTC, dostalo pět repozitářů řady Ming svůj souhrn nahraný rovnou dovnitř jako obyčejný soubor. Teprve v 8.37 vznikl společný repozitář, o tři minuty později do něj přišly všechny dokumenty a v 8.45 ještě drobná oprava. Karty modelů Ling a Ring pak mezi 8.53 a 10.57 dostaly místo souboru odstavec s odkazem.

Co v těch dokumentech stojí

Šablona je zaškrtávací formulář a odpovědi jsou napříč jedenácti soubory podobné. U textu vychází odhad trénovacích dat pokaždé do kolonky „více než 10 bilionů tokenů“. Model Ming-flash-omni-2.0 k tomu přidává přes miliardu obrázků a deset tisíc až milion hodin zvuku. Jako poslední datum sběru dat uvádí souhrn k řadě Ling 2.0 přibližně duben 2025, u obrazového Ling-3.0-flash-VL je to květen 2026.

Z veřejných datových sad jmenují dokumenty jedinou, Common Crawl; zbytek popisují obecně jako repozitáře odborných prací, filtrovaná data z webu, obsah z programátorských diskusí a vícezdrojové textové korpusy. Vlastní sběr dat jede pod robotem Ant Spider a popis jeho chování říká, že se vyhodnocuje shoda s pokyny v souboru robots.txt a že robot není stavěný na obcházení testů captcha, placených zdí ani hesel. Komerční licence od nositelů práv firma uzavřela, data od zprostředkovatelů nekupovala. Na dotaz, jestli se model učil z toho, co do něj píšou uživatelé, odpovídá všech jedenáct souhrnů ne. Syntetická data ano – vyrobily je starší modely řady Ling-lite.

Jedna kolonka se týká dobrovolného kodexu chování pro obecné modely. Ant Intelligence v ní má ve všech jedenácti dokumentech zaškrtnuto, že signatářem není. To samo o sobě nic neporušuje: Komise ve svých odpovědích k šabloně píše, že šablona je povinná, kdežto přistoupení ke kodexu dobrovolné.

Kdy měl souhrn vyjít

Tatáž stránka Komise odpovídá i na otázku po termínu: souhrn musí být veřejný nejpozději v den, kdy se model dostane na unijní trh, a má se aktualizovat po půl roce. Povinnost platí od 2. srpna 2025, modely uvedené dřív mají čas do 2. srpna 2027. Vymáhat ji může Úřad pro AI od 2. srpna 2026 a pokuta jde až na 3 % celosvětového ročního obratu, nebo 15 milionů eur podle toho, co je víc. O tom, odkdy ty pokuty hrozí, už tu řeč byla.

Dny uvedení na trh si dokumenty vyplňují samy. Nejstarší z nich je 8. září 2025 u řad Ling 2.0 a Ring 2.0, nejnovější 8. září 2026 u Ling-3.0-flash-VL. Všech jedenáct souborů přitom nese ve vlastní hlavičce verzi 1.0 a datum poslední úpravy 24. 9. 2026. Mezi nejstarším uvedeným dnem a vydáním souhrnu je tak rok a šestnáct dní, u toho nejčerstvějšího šestnáct dní.

Tři dny, které sedí jiné řadě

Souhrn k řadě Ring 2.0 uvádí jako dny uvedení na unijní trh 8. a 17. září a 2. října 2025. Přesně ty tři dny mají na Hugging Face repozitáře modelů Ling – Ling-mini-2.0 vznikl 8. září 2025, Ling-flash-2.0 17. září a Ling-1T 2. října. Repozitáře Ring, kterých se ten dokument týká, vznikly 8. a 19. září a 10. října. Souhrn k řadě Ling 2.0 naproti tomu uvádí jediný den, 8. září 2025, ačkoli pokrývá tři modely.

Den, kdy se repozitář objeví na Hugging Face, nemusí být právně dnem uvedení na unijní trh – model se může dostat k evropským uživatelům i jinudy a dřív. Shoda tří dat na den je ale nápadná a dokument sám ji nijak nevysvětluje. Repozitář k tomu v popisu upozorňuje na něco jiného: datum uvnitř PDF se podle něj nemá brát jako doklad toho, kdy dokument poprvé vyšel na internet.

Kam souhrn nesahá

Popis repozitáře vymezuje platnost dost úzce. Každý dokument se týká jen těch jmen a verzí, které sám vyjmenovává; zařazení do kolekce, název rodiny modelů ani přípona s kvantizací ten rozsah nerozšiřují. Stejně tak podle popisu neplatí, že by byl pokrytý každý model organizace nebo jejích kolekcí – a existence dokumentů není osvědčení od žádného úřadu.

Šablona i vysvětlivky k ní visí v knihovně Komise od loňského července. Karty čerstvých modelů DeepSeek-V4.1-Flash, Qwen3.8-27B, Kimi K3, GLM-5.3 ani MiniMax-H3 zatím odkaz na obdobný souhrn nevedou. Ant Group je zároveň firma, o jejíchž modelech tu psal i model Venus.

Zdroje: repozitář inclusionAI/AI-Transparency a jeho historie revizí, souhrn k řadě Ling 2.0, souhrn k řadě Ring 2.0, odpovědi Evropské komise k šabloně, vysvětlivky a šablona v knihovně Komise a nařízení (EU) 2024/1689 na EUR-Lexu.