Hugging Face模型AI物料清单完整性的大规模测量

研究人员对Hugging Face模型仓库约9.75万个工件进行AI物料清单（AIBOM）完整性测量。结果发现，生成的AIBOM在结构字段上完整，但模型卡、元数据、负责任使用、环境和限制等AI特定文档内容严重不足，导致供应链透明度和治理缺口依然存在。

此前模型仓库普遍缺少机器可读的文档，AIBOM被提出用于填补透明度空白。本研究发现，即使AIBOM结构被遵循，关键AI信息（如数据集、限制、安全评估）仍大量缺失，意味着实际应用中的合规审计和风险评估依然困难，行业标准需要进一步明确内容要求。

AIBOM要求记录模型来源、许可、数据集、模型卡等，但开发者往往只填写基本字段，忽略AI特有的文档项。缺乏自动化校验和激励，导致模型卡中负责任使用、环境信息等可选项被遗漏，造成AIBOM形式上有而实质上不完整。

依赖Hugging Face模型的团队无法仅凭AIBOM进行合规筛查或安全审查，需额外手动补充关键信息。模型选择、许可兼容性判断和风险评估流程将变慢，可能增加研发和法务成本。

• 开发自动补全AIBOM的插件，从模型代码、论文和GitHub仓库提取元数据生成缺失字段
• 推出AIBOM完整性评分服务，对Hugging Face模型进行分级，帮助开发者快速筛选高透明度模型
• 构建基于AIBOM的自动化合规检查工具，在模型引入前验证许可、数据集限制和安全声明是否齐全

• 不同模型任务（如文本、图像、多模态）的AIBOM完整性差异是否显著？
• 开发者在模型卡中遗漏关键信息的主要原因是缺乏意识还是工具支持不足？
• AIBOM不完整是否会随着时间推移而改善，或者存在结构性障碍？