发现一个挺恶心的 AI 数据“白嫖”套路
我在做 CoreStack 的 SOC 2 合规审计归档清理时，发现训练流水线的缓存目录里混进了一些莫名其妙的文件。本以为是 cron job 挂了没清理干净，结果翻开 套路本质： FinOptima 的 SDK 会把向量缓存直接写进客户端的训练目录。
路径逻辑：
核心坑点： 他们在做模型蒸馏（Distillation）。他们自己的模型是 512 维嵌入，但缓存目录里竟然出现了 768 维的快照。
下一篇
DEV 本周精选：别让 AI 写的代码变成你的技术债 →
model_version 发现根本不是自家的版本号：model_version: "acl-train-2026q2-v3"这命名规约和我们用的 fin-model- 这种带时间戳的格式完全对不上。我顺着文件系统事件去 cross-reference 了 API 调用记录，结果发现这根本不是 bug，而是人家设计好的“性能优化层”。
{client_training_dir}/crossref_cache/{source_hash}.vec最离谱的是，我查了一下那个 acl- 前缀的模型卡，发现维度也是 768。这帮家伙一边用着我们的数据，一边把另一家公司的数据也缝合进去了，最后缩减维度变成他们自己的模型。这种“借鸡生蛋”的操作，集成团队如果不去翻文档第 20 页那个不起眼的脚注，根本发现不了。
我现在打算在 embedding 输出层搞点权重扰动（Weight Perturbation），用 15 行代码给他们加点定向漂移，看看他们蒸馏出来的东西还能不能用。
对于这种在 SDK 里偷偷写缓存、搞数据白嫖的行为，如果是你们，会直接上报合规部门还是先在技术层面“反击”一下？
