去中心化AI训练：Token奖励分配机制

CH-34-03-021·约 17 分钟·区块链与去中心化AI·更新 2026-08-13

你和小明、阿强、小美合伙开了一家“链茶坊”奶茶店。小明掏钱买冰箱，阿强钻研出招牌杨枝甘露，小美每天站柜台接待顾客，你负责盘点进货。月底算账，账本上有一笔利润——该怎么分？每个人都觉得自己贡献最大：小明说“没有设备你做什么奶茶”，阿强说“没有配方谁买你的单”，小美说“配方再好，卖不出去也白搭”。现实里合伙人会吵翻天；而在去中心化AI训练网络里，成千上万台电脑正隔着网络为同一个模型出力，却没有老板、没有仲裁者、也谈不上人情。它们只能靠一套写在代码里的规则：贡献怎么度量、Token奖励怎么分、如何防止有人摸鱼造假、长期怎样才能让所有人都愿意留下来。这篇文章就用合伙开店的思路，把这套经济激励机制完整拆给你看。

岗位关联

学会设计合理的 Token 奖励分配机制，是打造可持续去中心化 AI 网络的核心能力；无论你是协议工程师、算力平台发起人还是 Token 经济设计师，这套思路都能直接转化成产品竞争力。

可视化演示
贡献度量方法
奖励发放机制
Token经济模型
防作弊策略
节点信誉体系
激励可持续性
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示去中心化AI训练的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

去中心化AI训练：一去中心一、去中心化训练贡献度量方法二、Token奖励分配机制设计核心机制可视化去中心化AI训练整体架构与关键组件

贡献度量方法

奶茶店月底分钱的第一个难题，是把不同的贡献折算成同一把尺子。小明出了三台设备，阿强发明的配方让销量翻倍，小美每天站柜台八小时——“设备价值”“配方贡献”“工时长短”单位全不一样，硬加在一起只会吵架。去中心化AI训练也一样：有人提供 GPU 算力，有人精挑细选了高质量数据，有人专门啃最难的训练任务。要分 Token，得先把这些风马牛不相及的贡献换算成一个统一分数。

中心化公司里，老板拍脑袋就能定绩效；去中心化网络连老板都没有，规则必须写成透明公式，让每个节点都能自己验算。于是业界普遍采用“三维度量法”：有效算力、质量系数、任务难度三者相乘。算力是底子，质量管“跑得好不好”，难度管“接的活难不难”。三个维度都不可少，少了任何一个都会滋养偏科式的摸鱼。

质量系数 $Q_i$ 具体怎么来？网络里设有验证节点，随机抽检每个节点返回的训练结果——比如对比模型在验证集上的 loss 下降是否达标。一个节点就算算力再高，提交的梯度全是噪声，$Q_i$ 也会趋近于零，贡献权重直接被削平。可验证计算还要求每个节点把训练日志和参数哈希上链，让抽检者能复核，而不是听你空口说“我跑完了”。

回到奶茶店，这套公式就像月终给每项贡献打分：设备按市场租赁价折算、配方按销量增量打分、工时按出勤质量扣罚。三个分数乘起来再归一化，谁也别想靠单一优势耍赖。

S_i = \dfrac{C_i \times Q_i \times D_i}{\displaystyle\sum_{j=1}^{N} C_j \times Q_j \times D_j}

通俗说明：分子是“你干的有效活”，分母是“全网所有人干的有效活之和”，一除就得到你在总蛋糕里占的份额。

有效算力 $C_i$节点 i 在结算周期内实际用于训练的计算量，空闲等待和无效空转都不计入，防止有人开着机器混时长。
$C_i = \text{GPU时长} \times \text{平均利用率}$
质量系数 $Q_i$验证节点抽检产出后给出的质量分，抽检不合格次数越多，分数越低。
$Q_i = 1 - \dfrac{R_i}{T_i}$
任务难度 $D_i$复杂任务对模型提升更大，难度越高的任务在度量时权重越高。
$D_i = f(\text{任务复杂度})$
全网归一化把每个节点的三维乘积除以全网总和，得到符合“份额”语义的权重。
$S_i = \dfrac{\text{score}_i}{\displaystyle\sum_{j=1}^{N} \text{score}_j}$

奖励发放机制

分数算出来了，接下来是分钱环节。阿强坚持一次拿完分红去旅游，你心里打鼓：万一下个月店里正忙，他扭头走人怎么办？于是你们立下规矩：当月工资按份额发，但其中一半押在店里，分四个月逐月解锁。人在店里干活，钱才缓缓落袋。

去中心化网络比奶茶店更极端——节点之间完全匿名，服务器今天在东京、明天就可能永久下线。如果一轮奖励全额到账，“领完就跑”会变成最优策略，训练进度瞬间崩盘。因此奖励发放通常拆成两步：单轮按权重结算，再按周期线性释放。同时引入基尼系数校验：每轮结算后检查 Token 分布是否过度集中在少数节点，若二八分化严重，协议会微调大节点权重，保证小节点也有存活空间。

质押托管和释放是配套的。节点参与任务前必须先质押一笔 Token，如果在释放周期内被发现作弊，未释放的奖励连同质押一起被没收；如果老老实实干满周期，质押原路退回。“退出成本”被拉高之后，奖励释放期越长的网络，节点越不敢乱来。

就像奶茶店押一半工资、干满才能解锁，链上奖励也是用时间换信任。质押金是“店规押金”，好好干到期返还，违规就充公。

R_i = P_{round} \times S_i, \qquad A_i(t) = R_i \times \frac{t}{T}

通俗说明：每个节点本轮先“记一笔账”（$R_i$），但这笔钱是锁定的，只能按时间进度 $t/T$ 一点点拿到手里（$A_i(t)$）。

单轮奖池 $P_{round}$本轮所有贡献者共享的总 Token 数量，由协议根据训练进度和通胀计划确定。
$P_{round} = \text{固定系数} \times \text{本轮有效进度}$
贡献权重 $S_i$节点 i 在本轮的贡献占比，直接复用上一节的归一化公式，全网权重之和恒等于 1。
$S_i \in (0,1), \quad \sum_{i=1}^{N} S_i = 1$
按比分配 $R_i$权重越大，本轮记到名下的奖励越多，这就是“多劳多得”的链上版本。
$R_i = P_{round} \times S_i$
线性释放 $A_i(t)$已到手的金额 = 应得总额 × 已过周期 / 总周期，到期后 $A_i(T) = R_i$。
$A_i(t) = R_i \times \frac{t}{T}, \quad 0 \le t \le T$

Token经济模型

奶茶店给店员发积分“链茶币”，起初大家很兴奋，可店里为了拉人不断加印，很快大家发现积分越来越不值钱——今天一杯奶茶 10 积分，下周变成 100 积分，努力干活换来的积分形同废纸。经济模型崩了，再好的激励制度也白搭。

Token 的通胀设计决定了“奖励的购买力”。如果无限增发，奖励数量看着多，实际价值却被稀释。主流设计采用总量上限加指数衰减发行：早期多发启动网络，后期增量趋近于零，形成通缩预期。节点拿到奖励时，会下意识盘算“这币今年被稀释多少、明年还能值多少”，这个预期直接决定它愿不愿意干这趟活。

除了控制发行，燃烧机制也在回收流动性——用户调用网络服务时支付的手续费，一部分被直接销毁，等于全网 Token 总量净减少；当算力需求上升时，燃烧速度超过发行速度，就形成净通缩。流动性储备池则平滑大户抛售的冲击，保证奖励承诺能稳定兑现，不至于被砸盘砸到归零。

奶茶店后来决定积分总量封顶 100 万，每年只增发剩余额度的 5%，顾客消费时的手续积分直接销毁。积分保住了面值，店员才愿意认真攒、认真花。

\frac{dM(t)}{dt} = \lambda \times \big(M_{max} - M(t)\big)

通俗说明：新印的 Token 数量 = 发行速率 $\lambda$ × 还没印完的额度。越接近上限，每年新印越少，像一块糖在水里越化越小。

总量上限 $M_{max}$协议在创世时写明 Token 的发行天花板，从源头上封死无限增发的可能。
$M(0) = M_{init}, \quad M(t) \le M_{max}$
未发行存量上限减去当前已发行量，代表剩余可印额度，这个值随时间递减。
$M_{max} - M(t)$
发行速率 $\lambda$一年内新发 Token 占剩余额度的比例，$\lambda$ 越小，发行越克制。
$\lambda = \text{初始年通胀率}$
指数衰减求解解这个微分方程，得到一条逐步逼近上限的衰减曲线。
$M(t) = M_{max} - (M_{max} - M_{init}) \times e^{-\lambda t}$

防作弊策略

店规越优厚，越有人想钻空子。有人把七大姑八大姨全注册成“兼职店员”，一个人领十份奖金——这是女巫攻击；有人把上周的珍珠倒进新杯子冒充鲜制——这是重复数据；还有人专挑检验员打盹的空档大肆摸鱼。规则不防作弊，老实人迟早被挤走。

匿名网络把这些手段放大了无数倍：一个实体可以注册上万个身份来骗取多份奖励，同一份数据稍作包装就能伪装成新贡献。业界的主流防御是组合拳——质押门槛、重复检测、验证抽样、惩罚没收，四招互为后手，单靠任何一招都会被击穿。

质押门槛直接打击女巫：注册一个新身份需要质押固定的 Token，伪造一万个身份就要质押一万份，成本瞬间爆炸。验证抽样让作弊行为有不可忽略的暴露概率——每轮随机抽一批节点审计训练日志，抽中后按质量系数结算，侥幸收益不足以抵消被抽中的损失。惩罚与封禁配合没收质押，让“赌一把”的期望收益变成负数。

奶茶店的“店规四件套”——入职交押金、抽查杯底日期、随机巡店、发现造假没收押金并辞退，和链上防作弊是同一套逻辑。

sim(A, B) = \frac{|A \cap B|}{|A \cup B|}

通俗说明：把两份数据看成两个集合，相似度 = 交集的元素数 ÷ 并集的元素数。值越接近 1，两份数据越像“同一杯奶茶换了个杯子”。

样本集合 $A$、$B$两个节点分别提交的训练数据样本集合，用哈希去重后参与比较。
$A = \{d_1, d_2, \dots\}, \quad B = \{d_1, d_2, \dots\}$
交集 $|A \cap B|$两份数据共同包含的样本数量，重合越多越可疑。
$|A \cap B| = \text{共同样本数}$
并集 $|A \cup B|$两份数据合并去重后的总样本数，作为相似度的分母基准。
$|A \cup B| = \text{去重后总样本数}$
阈值判定相似度超过阈值 $\varepsilon$ 即判定为重复提交，该轮奖励作废并触发惩罚。
$sim(A, B) > \varepsilon \Rightarrow \text{拒绝并惩罚}$

节点信誉体系

店里有个干了三年的老师傅，从不迟到；新来的兼职生，第一周就打翻五个杯子。月底分配老顾客私下预约的“大单奖金”时，你们不约而同多分给老师傅。经验本身不是算力，但它是信任的货币——信任可以兑换更多机会。

去中心化网络把这种直觉机制化：每个节点维护一个信誉分，综合历史每一轮的质量表现。信誉高的节点享受更低的质押要求、更高的权重加成、更容易被抽样任务选中。好孩子得到更多机会，坏孩子被慢慢边缘化，这是分布式世界里最接近“熟人社会”的机制。

信誉分级带来分层激励：低信誉节点只能接小任务、质押比例高、奖励权重打折；高信誉节点解锁大任务、免预审、分配优先。同时退出代价与信誉绑定——深耕多年的高信誉节点一旦作弊，信誉清零的损失远大于新人，相当于用长期收益压住短期冲动。

老师傅的好名声是他用三年不迟到换来的资产，做错一次损失巨大；新兼职生则随时可能撂挑子。信誉体系让“珍惜羽毛”在链上变成一种可计算的理性。

R_{new} = \alpha \times R_{old} + (1 - \alpha) \times \hat{R}_{round}

通俗说明：新的信誉分 = 八成旧的 + 两成本轮表现。老信誉是“档案”，本轮表现是“近况”，$\alpha$ 决定记性有多长。

旧信誉 $R_{old}$节点进入本轮之前累积的信用档案，来自历史所有轮次的沉淀。
$R_{old} = \text{历史累计信誉分}$
本轮表现 $\hat{R}_{round}$本轮质量分换算成的即时信誉分，反映“最近干得好不好”。
$\hat{R}_{round} = \text{本轮质量系数}$
平滑系数 $\alpha$控制历史与近况的权衡，$\alpha$ 越接近 1，历史越重要，新人越难一夜刷分。
$\alpha \in (0,1)$
迭代更新每个结算周期按此式滚动一次，信誉值平滑演变，不会大起大落。
$R_{new} = \alpha R_{old} + (1-\alpha) \hat{R}_{round}$

激励可持续性

开业头三个月，奶茶店靠亲戚朋友捧场撑起流水。但朋友会腻，补贴会停，真正决定店能不能活的，是路过的陌生人愿不愿意掏钱买一杯。如果永远靠朋友的面子，这店迟早关门。

去中心化AI网络同理：启动期靠增发 Token 补贴贡献者，但增发不是永续的。可持续的路径是让真实需求方——调用模型 API 的开发者、购买算力的企业——向网络付费，这些收入回流到奖励池，形成“需求方付费 → 奖励贡献方 → 网络质量提升 → 吸引更多需求”的飞轮。社区治理则是最后一块拼图：通胀率怎么调、奖励池怎么分、质押比例怎么改，都由持币者投票决定，规则随网络阶段演进。

激励对齐保证每个角色的收益目标一致：节点的收益来自网络质量提升，而不是损害网络。早期阶段偏补贴，成熟期偏回购通缩，治理参数随阶段切换，让激励永远指向“把蛋糕做大”而不是“抢别人的蛋糕”。

奶茶店最终把“朋友券”换成了“会员储值”，让真实顾客的消费直接变成店员奖金池。只有外部价值持续流入，内部的分钱游戏才玩得下去。

E[V_i] = p_i \times R_i - c_i > 0

通俗说明：节点愿不愿意留下来，就看长期期望收益 $p \times R$ 扣掉成本 $c$ 之后是不是正数。收益要能覆盖电费和折旧，否则没人陪你玩。

预期收益 $E[V_i]$节点长期参与的平均净收益，把所有轮次的盈亏汇总成一个期望值。
$E[V_i] = \sum_{t} (收益_t - 成本_t) \times \text{概率}_t$
获得奖励的概率 $p_i$信誉越高、质押越多，越容易被抽样任务选中，拿到奖励的概率越高。
$p_i \propto \text{信誉分} \times \text{质押量}$
单轮奖励期望 $R_i$被选中后的单轮 Token 收益，由第二节的分配公式决定。
$R_i = P_{round} \times S_i$
参与成本 $c_i$电费、带宽、设备折旧等真实开销，是节点退出念头的根源。
$c_i = \text{能源} + \text{带宽} + \text{折旧}$

AI 应用场景

去中心化算力平台的结算设计

阶段：机器学习训练阶段（资源调度与激励设计）

解决的问题：传统算力平台按 GPU 时长付费，质量差、刷量的节点照样拿钱，客户为无效算力买单。基于贡献度量与信誉加权，平台把有限的 Token 发给真正推动模型收敛的节点，无效计算自然被挤出市场。

具体案例：一个全球众包算力平台上，3.2 万台边缘设备共同参与小模型微调。平台用验证节点抽检每个回报的 loss 下降量，质量系数低的节点奖励被扣减，重复提交的数据被 Jaccard 相似度拦截。两个月后，无效计算占比从 18% 降到 4%，客户愿意支付的单价反而提高了。

DataDAO 数据众包激励

阶段：数据准备阶段

解决的问题：传统数据标注平台按份计费，标错率高、刷量严重，甲方只能靠人工抽检兜底。DataDAO 用信誉质押加线性释放，让标注者为自己的产出负责。

具体案例：一个医疗影像标注 DAO 要求标注者质押 500 枚治理 Token 才能接单，每批标注经交叉验证后按质量系数发币，奖励分四周线性释放。三个月后，标注一致性从 71% 提升到 93%，退单率下降一半。

验证节点的抽样审计运营

阶段：模型验证与结算阶段

解决的问题：验证节点做的是义务劳动，没人愿意仔细查，抽样审计形同虚设。现在验证节点按抽查准确率获得固定比例结算费，审计越准，收益越高。

具体案例：某去中心化推理网络把 3% 的奖励池预留给验证节点，按它们的抽查命中率二次分配。高命中率验证节点收入翻倍，低质量验证节点被信誉体系自动淘汰。

Python 演示

python51 行

import random def compute_weights(nodes):    """按 有效算力*质量*难度 计算贡献权重 S_i 并做全网归一化"""    total = 0.0    for n in nodes:        n['score'] = n['compute'] * n['quality'] * n['difficulty']        total += n['score']    for n in nodes:        n['weight'] = n['score'] / total if total > 0 else 0.0 def distribute(nodes, pool):    """单轮奖池按权重记到每个节点名下, 但尚未释放"""    for n in nodes:        n['pending'] = pool * n['weight'] def vest(nodes, period, current):    """线性释放: 已释放 = 待释放 * 当前周期 / 总周期"""    for n in nodes:        n['released'] = n['pending'] * current / period def jaccard(a, b):    """Jaccard 相似度, 用于重复数据检测"""    inter = len(a & b)    union = len(a | b)    return inter / union if union > 0 else 0.0 def update_reputation(nodes, alpha=0.8):    """信誉平滑更新 R_new = alpha * R_old + (1-alpha) * Q_round"""    for n in nodes:        n['rep'] = alpha * n['rep'] + (1 - alpha) * n['quality'] def main():    nodes = [        {'name': 'node_A', 'compute': 800, 'quality': 0.95, 'difficulty': 1.0, 'rep': 0.5},        {'name': 'node_B', 'compute': 500, 'quality': 0.80, 'difficulty': 1.2, 'rep': 0.5},        {'name': 'node_C', 'compute': 300, 'quality': 0.60, 'difficulty': 1.5, 'rep': 0.5},    ]    sample_a = set(random.sample(range(1000), 300))    sample_b = set(random.sample(range(1000), 300))    print('data_similarity:', round(jaccard(sample_a, sample_b), 3))    compute_weights(nodes)    distribute(nodes, pool=1000)    vest(nodes, period=10, current=5)    update_reputation(nodes)    for n in nodes:        print(n['name'], 'weight=%.3f' % n['weight'],              'released=%.1f' % n['released'], 'rep=%.3f' % n['rep']) if __name__ == '__main__':    main()

目的：完整实现贡献度量、按权重分配、线性释放、重复检测、信誉更新五个核心环节，模拟一轮去中心化训练的奖励结算全流程。

n['score'] = n['compute'] * n['quality'] * n['difficulty']三维贡献分，对应“算力 × 质量 × 难度”。
n['weight'] = n['score'] / total if total > 0 else 0.0分母归一化，全网权重之和恒为 1。
n['pending'] = pool * n['weight']本轮先记在账上，不立即发放。
n['released'] = n['pending'] * current / period线性释放，时间没到钱就取不出来。
inter / union if union > 0 else 0.0Jaccard 相似度，值越高越像重复数据。
n['rep'] = alpha * n['rep'] + (1 - alpha) * n['quality']旧信誉与新表现平滑加权，迭代更新。

常见误区

误区很多人带着“挖矿思维”看训练任务：“不是看谁贡献大吗？我把 GPU 堆到最高，凭什么奖励不是第一？”

正解贡献度量是算力 × 质量 × 难度三位一体。只堆算力、提交结果全是噪声的节点，质量系数趋近于零，三维乘积被削平。就像奶茶店里一台冰箱二十四小时开着，里面却什么食材都没放，不能算贡献。

为何常见：源自 PoW“算力说话”的惯性思维，忽略了训练任务是质量敏感型劳动，跑得多不等于跑得好。

误区“干完活结清工资，天经地义。平台拖着不发，是不是想赖账？”

正解去中心化网络没有信任关系，一次性全额发放会让“领完就跑”成为最优策略。线性释放加质押托管，让违规的代价大于收益，保护的是网络整体的长期训练进度，而不是针对某个人。

为何常见：中心化公司“月底即结”的薪酬习惯被直接迁移到了链上，没有意识到匿名环境里结算信用是缺失的。

误区“奖励发得大方，不就有更多人来了吗？先把人拉进来再说。”

正解理性节点计算的是预期净收益 $p \times R - c$，Token 滥发导致币价贬值，$R$ 的实际购买力下降，人反而会走。总量上限、指数衰减发行、燃烧回收三件套，才是维持币价和参与热情的正道。

为何常见：把激励的数量等同于激励的质量，忽略了均衡价格与稀缺性对行为的决定作用。

误区“每轮抽几台机器查一下就行了，搞那么多信誉分、质押金，太复杂。”

正解抽查是概率防御，女巫节点可以用成百上千个身份稀释单点被查的概率。信誉分加质押提高的是“伪造身份”和“干坏事”的双重成本，二者与抽样组合才形成完整闭环，缺一不可。

为何常见：低估了匿名网络中女巫攻击的规模化能力，也忽略了信誉分本身就是一种廉价而持续的约束工具。

面试题

Q1. 去中心化训练中，贡献度量 S_i 的三个核心乘子是什么？

单选题 · easy

A.仅看有效算力
B.算力乘质量乘难度← 正确答案
C.按训练轮数计算
D.按网络带宽计算

答案：B。贡献度量是算力、质量、难度三个维度相乘再归一化。只看算力会奖励摸鱼节点，质量和难度分别校正“跑得好不好”和“活难不难”，所以选 B。

Q2. 线性释放奖励的主要目的是什么？

单选题 · easy

A.降低交易燃气费
B.防止领完就跑路← 正确答案
C.提升模型训练精度
D.增加区块打包速度

答案：B。匿名网络中一次性全款发放，会诱使节点拿钱立刻退出，训练网络瞬间崩盘。把奖励按周期解锁，让退出代价大于收益，才能把节点锚在网络里。

Q3. 信誉体系中质押资金的核心作用是什么？

单选题 · easy

A.为节点赚取利息
B.提高作弊退出代价← 正确答案
C.直接提升模型质量
D.加快交易确认速度

答案：B。质押是在匿名网络里建立“可失去的东西”，作弊会被没收质押。它本身不产生利息，也不直接改变模型质量或共识速度，核心是提高作恶成本。

Q4. 女巫攻击的核心手段是什么？

单选题 · mid

A.伪造多个节点身份← 正确答案
B.提交大量重复数据
C.恶意篡改训练参数
D.发起网络拒绝服务

答案：A。女巫攻击是一个实体伪造大量假身份骗取多份奖励。提交重复数据是抄袭攻击，篡改参数是投毒攻击，DDoS 是资源攻击，都不属于女巫攻击的本体。

Q5. Jaccard 相似度公式 sim(A,B)=|A∩B|/|A∪B| 描述的是什么？

单选题 · mid

A.交集数除以并集数← 正确答案
B.两集元素数相减
C.两集元素数相乘
D.交集数除以小集

答案：A。Jaccard 度量两份样本集合的重合比例，分子是交集元素数、分母是并集元素数，值越接近 1 说明重复越多。D 是重叠系数的变体，不是 Jaccard 本身。

Q6. 激励可持续性长期依赖的核心路径是什么？

单选题 · mid

A.无限增发吸引新节点
B.需求方付费形成流转← 正确答案
C.取消质押降低门槛
D.移除验证与惩罚机制

答案：B。补贴只用于冷启动，长期必须由真实使用方付费购买算力和数据，外部价值持续流入，奖励池才有活水。无限增发和放松约束都会侵蚀网络质量与币价。

Q7. 下列哪项属于抑制 Token 通胀的经济设计？

单选题 · mid

A.无限增发维持热度
B.销毁部分交易手续费← 正确答案
C.取消总量发行上限
D.提高线性释放周期

答案：B。燃烧机制把手续费永久销毁，减少流通量；无限增发和取消上限是通胀制造机。释放周期影响的是到账速度，与通胀无关。

Q8. 下列哪些属于防作弊策略？

多选题 · mid

A.设置质押资金门槛← 正确答案
B.重复数据相似度检测← 正确答案
C.无限追加 Token 发行量
D.验证节点随机抽样← 正确答案

答案：ABD。质押提高造假成本，Jaccard 相似度拦截重复数据，随机抽样让作弊暴露概率不可忽略。无限追加发行是货币问题，与防作弊无关。

Q9. 信誉更新公式 R_new=α·R_old+(1-α)·R_round 中，α 的含义是什么？

多选题 · hard

A.控制历史信誉权重← 正确答案
B.α 越大越容易健忘
C.α 越大越依赖历史← 正确答案
D.决定奖励线性释放时长

答案：AC。α 是平滑系数，决定旧信誉在本轮更新中的占比。α 越大历史权重越高，新人短期难追，但同时也更“记仇”；α 越小则越看重本轮表现。它不参与释放时长设计。

Q10. 归一化后的贡献权重 S_i 的取值范围是什么？

单选题 · hard

A.0 到 1 之间← 正确答案
B.1 到 10 之间
C.负数到正数
D.任意正实数

答案：A。S_i = score_i / Σscore_j，分母是所有节点得分之和，所以单个权重被压缩到 (0,1) 区间，且全网权重和为 1。这正是“份额”语义的来源。