Trainingscrawlers
AI2Bot is een bot van Ai2 die pagina's verzamelt om AI-modellen mee te trainen. Verkent 'bepaalde domeinen' om webinhoud te vinden. Volgens de documentatie respecteert hij robots.txt, maar er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is.
Verzoek meldt
"AI2Bot"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor AI2Bot bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | AI2BotAlleen token: match op de substring. |
|---|---|
| Beheerder | Ai2 |
| Doel | De inhoud wordt gebruikt om open taalmodellen te trainen. |
| Respecteert robots.txt | Respecteert |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Ai2 documenteert de crawler en een opt-out, maar publiceert geen adreslijst. De verzamelde gegevens gaan naar de open datasets OLMo en Dolma. Als je de crawler hier blokkeert, verdwijnt de site dus niet alleen uit een model, maar ook uit openbare onderzoekscorpora. |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | AI2BotAi2Bot-Dolma |
| Documentatie van de beheerder | https://allenai.org/crawler |
Verkent 'bepaalde domeinen' om webinhoud te vinden.
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: AI2Bot
User-agent: Ai2Bot-Dolma
Disallow: /User-agent: AI2Bot
User-agent: Ai2Bot-Dolma
Allow: /User-agent: AI2Bot
User-agent: Ai2Bot-Dolma
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je AI2Bot blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.
Maak een bestand voor alle crawlersFAQ
AI2Bot is een bot van Ai2 die pagina's verzamelt om AI-modellen mee te trainen. Verkent 'bepaalde domeinen' om webinhoud te vinden. Volgens de documentatie respecteert hij robots.txt, maar er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is.
Ja. De beheerder documenteert dat AI2Bot robots.txt leest en Disallow-regels voor het eigen token volgt. Regels gaan in zodra het bestand opnieuw wordt opgehaald, en dat kan uren of dagen na publicatie zijn.
Dat kan niet, in elk geval niet op basis van het verzoek zelf. Ai2 documenteert de crawler en een opt-out, maar publiceert geen adreslijst. De verzamelde gegevens gaan naar de open datasets OLMo en Dolma. Als je de crawler hier blokkeert, verdwijnt de site dus niet alleen uit een model, maar ook uit openbare onderzoekscorpora. Vergelijk in plaats daarvan het bron-IP met hosting- en datacenterranges, en pas rate limiting toe op alles wat zich als een crawler gedraagt.
Voeg deze user-agent-tokens (AI2Bot, Ai2Bot-Dolma) toe aan robots.txt met Disallow: /. Negeert de crawler robots.txt, filter dan op de user agent in je CDN of reverse proxy en geef daar een 403 terug.
Als je AI2Bot blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.