gspc-custody-disclosure

数据集“gspc-custody-disclosure”是一个用于记录托管披露信息的测量数据集，其状态为“未测量”（UNMEASURED）。该数据集并非认证或评分工具，而是作为实时API的打印输出，不存储或冻结实际数据。数据集包含一个银行行的输入模式，定义字段包括：subject（主题）、custodian_named（是否指定托管人）、custodian_name（托管人名称）、auditor_named（是否指定审计员）、auditor_name（审计员名称）、source_url（来源URL）、as_of（截止日期）。当前数据集仅包含空行，其应用场景是作为托管披露的标准化记录模板，供第三方验证。The dataset "gspc-custody-disclosure" is a measurement dataset for recording custody disclosure information, with status "UNMEASURED". It is not a certification or scoring tool, but a printout of a real-time API, not storing or freezing actual data. It includes input schema fields: subject, custodian_named, custodian_name, auditor_named, auditor_name, source_url, as_of. Currently it contains only empty rows, serving as a standardized recording template for third-party verification.

原始信息汇总

数据集概述：gspc-custody-disclosure

基本信息

• 数据集名称：gspc-custody-disclosure
• 许可证：CC-BY-4.0
• 标签：测量（measurement）、GSPC、未测量（unmeasured）、覆盖卡（coverage-card）
• 状态：UNMEASURED（未测量）

核心说明 该数据集页面是实时接口 GET https://councilof.ai/api/gspc 的“打印器”，并非数据源头（mill）。权威数据以该GET请求返回的 totals.public_count 为准。

重要声明

• 本数据集存在诚实的空缺，空单元格保持为空。
• 不被标记为“已测量”（MEASURED）。
• 不构成证书，不可售卖，本卡片不包含任何评分。

权威与验证

• 实时面板（权威来源）：https://councilof.ai/api/gspc
• 免费验证（无需登录）：https://councilof.ai/gspc-verify
• 验证方法：https://councilof.ai/signed/HOW-TO-VERIFY.md

数据文件 数据集包含以下文件：coverage-card.json、eval.yaml、input-schema.json、skeleton.json

评估规则（评分标准） 某银行行记录仅在同时满足以下条件时才会被评分：

• 托管人（custodian） 和 审计人（auditor） 均被具名，且
• 两者均可由陌生人（第三方）复核确认

输入模式（银行行记录必含字段） 字段包括：subject、custodian_named、custodian_name、auditor_named、auditor_name、source_url、as_of

当前该模板仅有空行，骨架不等于评分，实时GET接口返回的数据方为权威。

限制规则

• 禁止认证（certify）
• 禁止从本列表标记“已测量”（MEASURED）
• 禁止虚构百分比、综合指标或YES/NO计数
• 空单元格保持为空
• 本平台（Spaces/Hub）仅为GET接口的打印器，而非数据源头

搜集汇总

数据集介绍

构建方式

该数据集源于GSPC（Global Standards and Practices for AI）框架下的一个实时接口，其构建方式并非传统意义上的静态数据采集，而是作为councilof.ai平台/api/gspc端点的动态输出快照。数据集以“未测量（UNMEASURED）”状态呈现，仅提供一组预设的评估框架与数据骨架，包括coverage-card.json、eval.yaml、input-schema.json及skeleton.json等文件，用以定义银行托管（custody）信息披露的评估结构。其核心构建逻辑在于：通过明确托管人与审计师的命名与可验证性作为潜在评分准则，但当前并未填充任何实际数据行，保持空表状态，以强调测量而非认证的立场，杜绝任何擅自标注或臆造分数的行为。

特点

该数据集的核心特征在于其“诚实性”与“反认证”导向，所有单元格均保持空白，明确标注为未测量状态，拒绝任何形式的自我认证或评分虚构。数据集设计为一个“打印器”（printer），即实时反映上游GET请求结果，而非独立的数据源，从而保证了数据的权威性与时效性。其评估准则（Rubric）强调可复现性，要求托管人与审计师必须同时被点名且可被陌生人验证，以此杜绝模糊或单方面声明。此外，数据集禁止LLM评审、禁止生成百分比或合成指标，甚至禁止在ZeroGPU或Inference Endpoint上运行，充分体现了其对数据纯净性和可核查性的极端要求。

使用方法

使用该数据集时，用户应首先访问其权威实时数据源，即通过GET请求https://councilof.ai/api/gspc获取最新的公共计数（totals.public_count），并以此作为引用依据，而非依赖本数据集的静态内容。数据集的评估框架（如input-schema.json）定义了银行数据行必须包含的字段，包括subject、custodian_named、custodian_name、auditor_named、auditor_name、source_url及as_of。用户可依据这些字段结构，结合数据集的评估准则，自行验证或填充数据，但必须遵循严格限制：不得将未测量状态标记为已测量，不得创建证书或评分，不得填充空单元格，不得在无明确且可验证的托管人与审计师的情况下进行任何评级。实际应用中，该数据集更适合作为合规性审计的参考模板或数据完整性检查的基准，而非直接用于模型训练或常规分析。

背景与挑战

背景概述

gspc-custody-disclosure数据集由人工智能治理领域的前沿机构Council of AI于近期创建，旨在回应大模型部署中托管与审计透明度缺失的紧迫问题。该数据集以'未测量'状态为核心定位，提供了一个公开、可验证的托管披露框架，核心研究问题聚焦于如何通过标准化的命名与审计机制，实现托管方与审计方的可追溯性确认。其影响力体现在为AI治理的量化测量提供了非认证性的基准接口，推动了行业对'诚实缺口'的承认，而非虚假的合规声明。作为测量工具而非认证证书，该数据集在AI安全与责任研究中开辟了新的方法论路径，其动态获取的权威数据源设计，为后续治理实践树立了可复现的范例。

当前挑战

该数据集面临的首要挑战是领域内托管披露的普遍缺失，即在缺乏强制规范的情况下，多数模型不公开托管或审计信息，导致数据集的'未测量'状态难以通过简单填充跃升为'已测量'，需依靠对陌生方可复现的命名与审计机制来建立信任。构建过程中，严格避免认证倾向与分数编造构成了根本性难题，要求维持空单元格的空置状态，抵御发明百分比或YES/NO统计的诱惑，同时确保数据获取与验证流程对无登录用户开放，且拒绝在ZeroGPU或Inference Endpoint上运行，以防范算力滥用。此外，在动态更新与版本冻结之间寻求平衡，既保证实时接口的权威性，又防止Hub页面成为第二计分板，是设计中的持续张力。

常用场景

经典使用场景

该数据集作为GSPC（Global Standards for Public Credentials）框架下的托管披露评测基准，其经典使用场景聚焦于对AI模型或系统在数据托管与审计披露方面的合规性进行度量。研究者可依据其定义的输入模式（如subject、custodian_named、auditor_named等字段）构建结构化评估任务，检验模型能否准确识别和报告数据托管责任方与审计验证链条，从而推动可信AI体系中透明性与可追溯性评估的标准化进程。

衍生相关工作

该数据集衍生出的相关工作包括基于其不变量（如‘空单元格保持为空’、‘禁止LLM评分’）开发的合规性检查器，以及围绕输入模式构建的数据完整性验证工具。此外，它启发了关于‘测量与认证分离’原则的元研究，推动形成更严格的AI审计协议设计方法论，并为后续的‘无分数型’数据集卡（Coverage Card）撰写规范提供了参考模板，在AI治理领域产生了方法论层面的辐射影响。

数据集最近研究

最新研究方向

该数据集聚焦于数字资产托管与审计披露的透明性治理，是前沿研究中对‘未测量’（UNMEASURED）数据缺口进行诚实标注的典型代表。当前研究热点在于构建去中心化的、可复核的托管披露框架，强调通过活体API（如councilof.ai/api/gspc）进行实时数据权威性验证，而非静态快照，以杜绝数据伪造或过时。与之关联的热点事件包括全球监管机构对加密货币托管方（如FTX事件后）提高审计透明度要求的动向，该数据集通过严格的规则（如不得将空单元格标记为MEASURED、禁止LLM评判或发明百分比）响应了这一需求，促进了可审计性和数据完整性研究，其影响力在于为衡量AI治理和数字资产托管实践提供了客观的基准，推动了从‘自我声明’向‘陌生人可复现验证’的范式转变。