💻 computer science

Repeated-Game Security for Restaking-Based Verifiable Inference

Este artículo demuestra que la compatibilidad de incentivos de una sola ronda que se asume frecuentemente en la inferencia verificable basada en restaking es insuficiente debido a una brecha de juego repetido donde el slashing proporcional no logra disuadir el incumplimiento racional a lo largo del tiempo, y propone un mecanismo desplegable que combina desafíos dependientes de la historia y slashing ponderado por reputación para restaurar la seguridad a largo plazo sin requerir verificación criptográfica por consulta.

Autores originales: Zhenhang Shang, Yingzhe Yu, Kani Chen

Publicado 2026-08-11

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zhenhang Shang, Yingzhe Yu, Kani Chen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde cerebros informáticos gigantes y súper inteligentes (llamados Modelos de Lenguaje Extensos) pueden responder a tus preguntas, escribir tus historias o resolver tus problemas matemáticos. Pero aquí está el truco: ejecutar estos cerebros es caro y lento. Por eso, las empresas quieren contratar trabajadores independientes para que piensen por ellas. El problema es: ¿cómo sabes que el trabajador no simplemente adivinó la respuesta o usó un cerebro más barato y tonto para ahorrar dinero? Este es el mundo de la inferencia verificable.

Para resolver esto, utilizamos un sistema llamado restaking. Piensa en ello como un depósito de seguridad. El trabajador deposita una pila de dinero digital (stake) como promesa de realizar el trabajo honestamente. Si se desvía, un árbitro revisa su trabajo y, si lo atrapan, el árbitro le quita una parte de su depósito. Esto se llama slashing (penalización). Durante mucho tiempo, los expertos pensaron que esto era una red de seguridad perfecta. Creían que si la multa por desviarse era mayor que el dinero ahorrado al desviarse, nadie intentaría desviarse. Era un trato de "un solo golpe" simple: No te robes la galleta, o perderás el frasco.

Pero, ¿qué pasa si el trabajador no está haciendo solo un trabajo? ¿Qué pasa si es contratado para hacer millones de trabajos una y otra vez? Aquí es donde la historia se pone complicada. El artículo que estás a punto de leer plantea una pregunta brillante: ¿Realmente funciona la red de seguridad de "un solo golpe" cuando el juego se juega una y otra vez? Los autores, Zhenhang Shang, Yingzhe Yu y Kani Chen, de la Universidad de Ciencia y Tecnología de Hong Kong, descubrieron que la vieja red de seguridad tiene un agujero oculto. Descubrieron que si un trabajador se desvía solo un poco, puede salirse con la suya, incluso si la multa parece aterradora al principio. ¿Por qué? Porque cada vez que lo atrapan, la multa solo le quita una fracción de su depósito. Así, su depósito se vuelve cada vez más pequeño, haciendo que las multas futuras sean cada vez más débiles, mientras ellos siguen embolsándose los ahorros de desviarse en cada nuevo trabajo. Es como un ladrón que sigue robando un poco de oro, y cada vez que el guardia lo atrapa, el guardia solo le quita una pequeña pieza de su oro restante, haciendo que el "riesgo" del ladrón caiga hasta que es prácticamente intocable.

El Gran Descubrimiento: El Vacío del "Reincidente"

Los autores se dieron cuenta de que la vieja regla —"No te desvíes porque la multa es mayor que la ganancia"— solo funciona para una decisión única y aislada. Pero en el mundo real, estos proveedores de IA están en esto a largo plazo, respondiendo miles o incluso millones de preguntas. El artículo modela esto como un juego repetido, donde el proveedor y el protocolo juegan ronda tras ronda.

Descubrieron una "brecha de juego repetido". He aquí el truco de magia que usa el que se desvía:

La Configuración: El proveedor aporta un gran stake.
La Desviación: Utiliza un modelo más barato y rápido para responder preguntas, ahorrando dinero en cada consulta.
El Error: A veces, el árbitro (el protocolo) lo atrapa.
El Vacío: El protocolo solo penaliza (slashing) un porcentaje del stake, digamos el 20%. El proveedor pierde algo de dinero, pero aún le queda el 80%.
El Ciclo: Debido a que su stake ahora es más pequeño, la próxima vez que lo atrapen, la multa será aún más pequeña (20% de un número menor). ¡Pero el dinero que ahorran al desviarse en la siguiente pregunta es exactamente el mismo de antes!

El artículo demuestra matemáticamente que esto crea un desequilibrio peligroso. Los ahorros se mantienen constantes, pero la penalización se encoge cada vez que los atrapan. Los autores muestran que para muchos sistemas existentes (como EigenAI, VeriLLM y Sertn AVS), esta brecha es real. Aunque estos sistemas pasan la prueba de seguridad de "un solo golpe", fallan en la prueba de "largo plazo". En las simulaciones, un desviador racional podría obtener un beneficio extra del 1.5% al 8% simplemente explotando este vacío de juego repetido, incluso cuando el sistema cree que es seguro.

La Solución: Un Sistema Más Inteligente y Consciente de la Historia

Entonces, ¿cómo arreglamos un sistema que se debilita cada vez que un desviador es atrapado? Los autores proponen un nuevo mecanismo que actúa como un árbitro inteligente que guarda memoria. En lugar de mirar solo cuánto dinero le queda al trabajador, el nuevo sistema mira su historia.

Introducen tres herramientas ingeniosas para tapar el agujero:

Puntuaciones de Sospecha (El "Ojo Vigilante"): El sistema mantiene una puntuación para cada trabajador. Si actúan de forma extraña (como responder demasiado rápido o dar respuestas ligeramente diferentes), su puntuación de sospecha aumenta. Cuanto mayor sea la puntuación, más probable es que el árbitro revise su trabajo. Esto significa que si te desvías, no solo recibes una multa; sino que te vigilan más de cerca la próxima vez.
Multas Ponderadas por Reputación (La "Letra Escarlata"): En lugar de simplemente quitar un porcentaje del dinero restante, la multa también depende de la reputación del trabajador. Si tienes un mal historial, la multa se vuelve mucho más severa, incluso si tu depósito es pequeño. Esto detiene el truco de la "penalización decreciente".
Vesting (La "Correa"): Cuando un trabajador intenta abandonar el juego (retirar su dinero), el sistema no le permite huir inmediatamente. Su dinero se mantiene "bloqueado" durante un tiempo. Si intenta desviarse y luego huir, el sistema aún puede atraparlo y quitarle su dinero durante este período de bloqueo. Esto detiene la estrategia de "desviarse y huir".

¿Realmente Funciona?

Los autores no solo imaginaron esto; construyeron un simulador para probarlo. Pusieron a competir su nuevo sistema contra los antiguos usando diferentes tipos de "desviadores", incluyendo algunos que se desvían constantemente, otros que se desvían solo cuando creen que nadie los mira, y otros que intentan desviarse y luego huir.

Los resultados fueron prometedores. En las simulaciones, los sistemas antiguos permitieron que los desviadores conservaran su beneficio extra. Pero el nuevo sistema, con sus reglas conscientes de la historia, redujo los beneficios de los desviadores entre un 31% y un 54%. En algunos casos, incluso hizo que desviarse fuera una estrategia perdedora, convirtiendo una ganancia en una pérdida para el desviador.

También probaron qué tan "detectable" es la desviación. Utilizaron modelos de IA reales (que van desde modelos pequeños de 0.5 mil millones de parámetros hasta enormes de 14 mil millones) para ver si el sistema podía notar la diferencia entre una respuesta real y una barata y falsa. Descubrieron que el "medidor de sospecha" del sistema funciona muy bien, especialmente cuando la diferencia de costo entre el buen modelo y el modelo barato es grande. Cuanto más intenta el desviador ahorrar dinero, más fácil es atraparlo.

Por Qué Esto Importa

Este artículo es una llamada de atención para el mundo de la seguridad de la cadena de bloques (blockchain) y la IA. Demuestra que el hecho de que una regla de seguridad funcione para un momento único no significa que funcione para toda la vida. Los autores no solo señalaron un problema; construyeron el plano de un sistema que puede manejar la realidad de las interacciones repetidas.

Demostraron que al hacer que la penalización dependa del comportamiento pasado del trabajador y mantenerlo con una "correa" cuando intenta irse, podemos crear un sistema que se mantenga seguro incluso si el juego continúa para siempre. Es un cambio de pensar en la seguridad como una simple "fianza" a pensar en ella como una relación a largo plazo donde la confianza se gana y se pierde con el tiempo. Para cualquiera que esté construyendo el futuro de la IA en la blockchain, este es un paso crucial para asegurar que los trabajadores realmente hagan el trabajo que prometen hacer.

Resumen Técnico: Seguridad de Juego Repetido para la Inferencia Verificable Basada en Restaking

Declaración del Problema
Los protocolos basados en restaking (por ejemplo, los AVS de EigenLayer) han surgido como una solución práctica para la inferencia de Grandes Modelos de Lenguaje (LLM) verificable, ofreciendo una alternativa a los altos costos de la computación de conocimiento cero para el aprendizaje automático (zkML) y a los supuestos de confianza de hardware de los Entornos de Ejecución Confiables (TEE). Los modelos de seguridad actuales para estos sistemas se basan en una condición de compatibilidad de incentivos de una sola ronda (1-Round IC): un proveedor racional se ve disuadido de desviarse si la penalización esperada (slashing) supera el ahorro de costo por consulta ( $\Delta$ ).

El artículo identifica un fallo crítico en esta lógica: la inferencia verificable es una interacción repetida donde una única participación (stake) soporta miles a millones de consultas. El análisis estándar de una sola ronda no logra considerar la naturaleza dinámica del slashing proporcional (donde solo una fracción $\alpha < 1$ del stake es penalizada tras la detección). En un entorno repetido, una desviación detectada reduce la exposición futura del stake del proveedor, disminuyendo así la penalización esperada para rondas subsecuentes, mientras que la ganancia por desviación ( $\Delta$ ) se obtiene repetidamente. Esto crea una "brecha de juego repetido" donde un protocolo puede satisfacer la condición 1-Round IC pero seguir siendo vulnerable a desviaciones rentables a lo largo del tiempo.

Metodología
Los autores modelan la inferencia verificable basada en restaking como un juego repetido con descuento entre un proveedor racional y un protocolo on-chain.

Modelado de Teoría de Juegos: Definen el juego de etapa donde un proveedor elige entre ejecución honesta ( $H$ ) y desviación ( $C$ ) para ahorrar costos de computación. El protocolo audita las consultas con una probabilidad $c$ y aplica slashing a una fracción $\alpha$ del stake actual $S_t$ tras la detección.
Derivación de la Brecha: Derivan una expresión de forma cerrada para la ganancia por desviación bajo una estrategia mixta estacionaria (desviarse con una probabilidad fija $p$ ). Demuestran que, bajo el slashing proporcional, el stake expuesto a las penalizaciones decae geométricamente ( $S_{t+1} = S_t(1 - \alpha)$ tras la detección), mientras que la ganancia por desviación se acumula.
Diseño de Mecanismos: Para cerrar esta brecha, proponen un mecanismo desplegable que modifica el estado del protocolo basándose en el historial público. El mecanismo integra tres componentes:
- Desafíos Dependientes del Historial: Un puntaje de sospecha se actualiza basado en señales de riesgo (por ejemplo, discrepancias en la salida, cambios en la latencia). La probabilidad de auditoría $c(S_t)$ aumenta con el puntaje de sospecha.
- Slashing Ponderado por Reputación: En lugar de aplicar slashing a una fracción fija del stake actual, la penalización se pondera mediante un posterior bayesiano robusto ( $\bar{\rho}_t$ ) que representa la probabilidad de que el proveedor sea un desviador estratégico. Esto evita que la base de la penalización decaiga mecánicamente a medida que el stake se reduce.
- Vesting de Stake: Un periodo de consolidación (vesting) con bloqueo temporal ( $\tau$ ) asegura que, incluso si un proveedor intenta salir (unbond) después de desviarse, su stake permanezca sujeto a slashing durante un tiempo suficiente para mantener la compatibilidad de incentivos.

Contribuciones Clave

Identificación de la Brecha de Juego Repetido: El artículo demuestra que para cualquier protocolo de memoria sin límite de slashing para $\alpha < 1$ , satisfacer la condición 1-Round IC es insuficiente para la compatibilidad de incentivos subgame-perfect (SPIC) de horizonte infinito. Derivan la condición de fallo: si el margen de 1-Round $\eta < \frac{\delta c \alpha \Delta}{1-\delta}$ , el protocolo falla en SPIC.
Mecanismo Desplegable: Construyen un mecanismo que restaura la SPIC contra desviaciones de estrategia mixta estacionaria sin requerir verificación criptográfica por consulta. El mecanismo depende de desafíos dependientes del historial, slashing ponderado por reputación y vesting.
Umbrales de Forma Cerrada: Derivan un umbral explícito $\delta^*$ (la paciencia mínima requerida del operador para la seguridad) para el mecanismo propuesto. A diferencia de los protocolos sin memoria donde el stake requerido diverge cuando $\delta \to 1$ , el mecanismo propuesto mantiene un stake requerido acotado.
Calibración Empírica:
- Detectabilidad de la Señal: Los autores proporcionan la primera medición directa de la detectabilidad de la señal de auditoría ( $\mu(p)$ ) en modelos de pesos abiertos (Qwen2.5, de 0.5B a 14B parámetros). Confirman que la respuesta de la señal es cóncava, tal como requiere la teoría, con una amplitud que aumenta en la relación de costo entre los modelos contraídos y los sustitutos.
- Evaluación del Protocolo: Calibran el modelo con parámetros desplegados (EigenAI, VeriLLM, Sertn AVS). Los resultados muestran que, si bien estos protocolos pasan la 1-Round IC, fallan en la IC de juego repetido para factores de descuento $\delta \in [0.92, 0.98]$ , permitiendo ganancias por desviación del 1.5% al 8%.
- Eficacia del Mecanismo: Las simulaciones muestran que el mecanismo propuesto reduce las ganancias por desviación entre un 31% y un 54% en comparación con las líneas base sin memoria, preservando la verificación económica de baja latencia.

Resultos

Teóricos: El artículo establece que el slashing proporcional sin memoria no puede proporcionar seguridad de juego repetido uniforme en el límite de operadores pacientes ( $\delta \to 1$ ). El mecanismo propuesto logra requisitos de stake acotados cuando $\delta \to 1$ .
Empíricos:
- Las respuestas de la señal medidas en modelos Qwen2.5 muestran concavidad ( $q \in [0.70, 0.89]$ ) y amplitudes que superan las calibraciones conservadoras, reduciendo el umbral de paciencia requerido $\delta^*$ a 0.79–0.92.
- Un análisis de presupuesto de auditoría de Stackelberg demuestra que la capacidad de respuesta de la señal sustituye la auditoría base, reduciendo la tasa de auditoría base necesaria en 2.6× para un factor de descuento objetivo de 0.95.
- En pruebas de estrés, el mecanismo propuesto mantiene al adversario de mejor respuesta estacionaria a una fracción de ganancia de ~6.2%, comparado con ~13.6% para las líneas base sin memoria.

Significancia
El artículo argumenta que la seguridad de la inferencia verificable basada en restaking no puede justificarse únicamente mediante desigualdades de slashing de la etapa de juego. Destaca que el desajuste intertemporal en el slashing proporcional crea una vulnerabilidad invisible para el análisis de una sola etapa. El mecanismo propuesto ofrece un camino hacia la compatibilidad de incentivos subgame-perfect para el despliegue en el mundo real, asegurando que los proveedores racionales permanezcan honestos en horizontes largos sin incurrir en los costos prohibitivos de la verificación criptográfica completa o la confiscación de la totalidad del stake. El trabajo une la teoría de juegos y la criptoeconomía, proporcionando un marco riguroso para diseñar sistemas de inferencia verificable de baja latencia y seguros.

El Gran Descubrimiento: El Vacío del "Reincidente"

La Solución: Un Sistema Más Inteligente y Consciente de la Historia

¿Realmente Funciona?

Por Qué Esto Importa

Más como este