认知惩罚：在边缘原生 SLM 中消除系统 1 和系统 2 推理以实现去中心化共识
摘要
去中心化自治组织（DAOs）倾向于探索小型语言模型（SLMs）作为边缘原生宪法防火墙，以审查提案并缓解语义社会工程。虽然扩大推理时间计算量（系统 2）可增强形式逻辑，但其在高度对抗性、密码经济治理环境中的效果仍未得到充分探索。为此，我们引入了 Sentinel-Bench，一个进行 840 次推理的经验框架，对 Qwen-3.5-9B 执行严格的模型内部消除实验。通过在冻结权重上切换潜在推理，我们隔离了推理时间计算量对抗性 Optimism DAO 数据集的影响。我们的发现揭示了严重的计算-精度反转。自回归基线（系统 1）实现了 100% 的对抗鲁棒性、100% 的司法一致性以及在 13 秒内完成最终确定。相比之下，系统 2 推理导致灾难性不稳定，这种不稳定根本上由 26.7% 的推理非收敛（认知崩溃）率驱动。这种崩溃将 trial-to-trial 共识稳定性降低到 72.6%，并造成 17 倍的延迟开销，引入对治理可提取价值（GEV）和硬件中心化的关键漏洞。尽管仅占对抗试验的 1.5%，我们经验性地捕获了“推理诱导的从众”，该模型生成显著更长的内部独白（平均 25,750 个字符），以为失败的对抗陷阱辩护。我们得出结论，对于在 Byzantine 容错（BFT）约束下的边缘原生 SLMs，系统 1 参数化直觉在去中心化共识方面结构性和经济上优于系统 2 的迭代 deliberation。代码和数据集：https://github.com/smarizvi110/sentinel-bench
引用
@article{arxiv.2604.16913,
title = {The Cognitive Penalty: Ablating System 1 and System 2 Reasoning in Edge-Native SLMs for Decentralized Consensus},
author = {Syed Muhammad Aqdas Rizvi},
journal= {arXiv preprint arXiv:2604.16913},
year = {2026}
}
备注
Working paper. 14 pages, 3 figures, 6 tables. Code and dataset: https://github.com/smarizvi110/sentinel-bench