问题、结果与适用边界
一个听起来合理的答案不能告诉用户它由什么模型生成。LMCV 提出,将指定参考模型的概率指纹与 Worker 记录的输出路径比较,为开放推理网络提供成本较低的模型一致性证据。
输入与生成 token 固定后,Verifier 可以运行 teacher-forced prefill,而不必重新生成答案。稿件讨论 logprob 偏差、token 排名和 top-k 候选分布。解释拒绝阈值前,必须校准正常的硬件、精度及运行时差异。
协议设计加入先交付后选择验证节点、commit–reveal 和三取二多数规则。这些是协调及防抄袭机制的设计,不是每笔生产请求都已执行完整协议的实验证据。节点独立性与挑战时序仍属于威胁模型的一部分。
MoE 模型的稀疏 logprob 尖峰可能模糊判定边界,因此稿件也研究第 0 层专家路由指纹。缺少 token 或路由证据时可能无法判定。协议稿、模型身份实验和延迟基准是不同材料,不应将不同配置的结果混合成无条件的安全或成本承诺。
引用格式
@techreport{trueopen_lmcv,
title = {Logprob Majority-Consensus Verification (LMCV): A Low-Cost Execution-Verification Protocol for Open Inference Networks},
author = {{TrueOpen Research}},
institution = {TrueOpen},
url = {https://www.trueopen.ai/research/lmcv/},
note = {Publication date not stated in the source}
}原始材料未标注发布日期,未根据下载文件名或仓库时间推断。作者确认日期前,书目信息仍不完整。
协议设计与受控实验不是生产部署证明。 这不是独立安全审计。