认知惩罚：面向去中心化共识在边缘原生SLM中消融系统1与系统2推理

去中心化自治组织（DAO）倾向于探索将小语言模型（SLM）用作边缘原生的宪法防火墙，以审查提案并缓解语义社会工程攻击。尽管扩展推理时算力（系统2）可增强形式逻辑能力，但其在高度对抗的加密经济治理环境中的效力仍未被充分探索。为此，我们提出Sentinel-Bench，一个执行840次推理的实证框架，在Qwen-3.5-9B上进行严格的模型内消融。通过在冻结权重上开关潜在推理，我们在对抗性Optimism DAO数据集上隔离出推理时算力的影响。我们的发现揭示了一种严重的算力-准确率倒置。自回归基线（系统1）实现了100%的对抗鲁棒性、100%的法律一致性，并在13秒内达成状态终结。相反，系统2推理带来灾难性的不稳定，其根本驱动因素是26.7%的推理不收敛（认知崩溃）率。这种崩溃将试次间共识稳定性降至72.6%，并带来17倍延迟开销，造成对治理可提取价值（GEV）和硬件中心化的关键脆弱性。虽然罕见（占对抗试验的1.5%），我们实证捕捉到“推理诱发的谄媚”现象：模型生成明显更长的内心独白（平均25,750字符）来为其落入对抗陷阱寻找理由。我们得出结论：对在拜占庭容错（BFT）约束下运行的边缘原生SLM而言，系统1的参数化直觉在结构上和经济上都优于系统2的迭代审议。代码与数据集：https://github.com/smarizvi110/sentinel-bench