2025年大模型供应链安全的熵增效应：风险挖掘与熵减策略报告.pdfVIP

大模型供应链安全的熵增效应：

风险挖掘与熵减策略

Aboutus

戎誉vivo大模型安全工程师，专注于大模型安全研究，涵盖模型框架层安全、AI产品安全

等方向。曾发现多个NVIDIA、LLaMA-Factory等主流厂商大模型产品中的安全漏洞，

并获得官方致谢。

联系方式：rongyu@

凡浩vivo大模型安全工程师，主要从事大模型基础设施和大模型产品的攻防研究，发现过多

个NVIDIA等厂商大模型产品的安全漏洞并获得厂商致谢。

联系方式：fanhao@

目录

01引子：从“熵”谈起

02熵增效应：供应链失控点与风险实证

03熵减策略：模型供应链风险的控制与治理

04未来展望：低熵模型生态

目录

01引子：从“熵”谈起

02熵增效应：供应链失控点与风险实证

03熵减策略：模型供应链风险的控制与治理

04未来展望：低熵模型生态

安全领域中的“熵”是什么？

熵的起源：热力学→信息论

()=−෍()()

安全语境中的熵：系统复杂度与不确定性综合指数

熵增效应：组件增加→攻击面扩大→风险上升

熵值（复杂度/不确定性）大模型放大效应：

参数膨胀+外部依赖+第三方输入→高熵系统，失控点分布广

安全熵增=攻击面扩大+不可控性增强

系统组件/依赖数量

随着大模型系统复杂度逐渐提升，

安全=控熵

模型攻击面↑，可控性↓

为什么大模型让系统“熵增”？

I.规模扩张II.供应链延伸

18,000

16,000Gemini-Ultra,15,600传统软件：

14,000

12,000AlibabaQwen3-Max,10,000代码→构建→部署

）PanGu-Σ,10,850

亿10,000

（大模型：

量8,000Megatron-TuringLLaMA,6,500DeepSeek-V3.1,6,710

数

参6,000NLG,5,300PaLM,5,400Llama3.1,4,050数据采集→数据处理→训练→模型分发→

4,000Grok1,3,140