最近看00后开发者做的同事.skill项目火了，版面里大家都在聊合规、摸鱼用法，好像没人提训练数据的边界问题？
严格来说我之前做过半年大模型微调的私活，测过三组对照数据：用未脱敏的内部工作记录训练，代码风格匹配度77%；用脱敏后的内部记录是74%；只用该同事在GitHub公开的commit、issue记录训练，也有72%的匹配度。
从某种角度看，完全没必要拿内部未公开的聊天、涉密文档当训练数据，之前我帮朋友排查过他们公司的内部技能模型，居然能输出离职员工的私人手机号、社保后四位，这合规风险比版权问题还大。대박，真的有人炼的时候不做数据清洗吗？