LLM 从来不会一口气把答案写出来。它读进提示词，给出下一个 token 的概率分布，从中挑一个，接到上下文后面，然后再来一遍。这个串行的循环就是普通推理——也正是 TensorCash 的挖矿推理。
模型没有被削弱，也没有被拉去干第二份挖矿的活。看同一个自回归过程走出三条不同的路径：
自回归生成
每选出一个 token，接下来的可能性就变了
提示词Why do rainbows appear?
普通推理随机数生成器 → 均匀抽样
或TensorCash 挖矿推理SHA-256（链状态 + 上下文）→ 均匀抽样
其余环节完全一样从左往右顺着看
每张直方图是模型在某一步给出的前 50 个候选，被选中的词标在下方。这个词随即进入上下文，所以旁边那张直方图是一个全新的分布——它以左边的所有内容为条件。
三行都从同一个问题出发，却走出了不同但同样成立的路径。SHA 种子 A 可能选中 Light，SHA 种子 B 可能选中 Sunlight。第一个 token 一旦不同，后面每一个分布都可能跟着不同。这就是自回归：答案是一串彼此依赖的选择，而不是一次次互不相干的独立抽取。
唯一的差别在那次抛硬币
- 普通采样器去问自己私有的随机数生成器。
- TensorCash 则把当前的链状态和已经生成的答案一起做哈希。
两者交出来的是同一样东西，也正是采样器需要的：一个不可预测、看上去均匀分布在 0 到 1 之间的数。这个数从模型的 top-50 分布里选出一个 token。模型、logits、概率和自回归循环都原封不动。
答案质量为什么一模一样
如果模型给某个 token 的概率是 28%，两种采样器都会有 28% 的时候选中它。把一个均匀伪随机源换成另一个，并不改变被采样的那个分布，改变的只是这一次具体走哪条路——就像在普通聊天机器人上点一下「重新生成」，变的不是模型的质量。
把上面的图重播一次：两条 SHA 路径会原样重现，因为它们的链种子是固定的；RNG 那条则会变。三条路径都只是同一个模型的普通采样结果。
为什么这个抽取过程是安全的
种子由链定死，而且到目前为止的整条序列都会进入每一次哈希。矿工没法把某一次抽取凑成自己想要的样子。改动前面任何一个 token，上下文就变了，下一个 token 的分布也变了，后面每一次抽取跟着全变。所以想试另一条路径，就得再完整跑一遍串行推理。
验证者可以拿链上派生出来的这些数，对着记录下来的分布逐一重放，按顺序确认每一次选择。挖矿证明属于这条被绑定的串行推理轨迹，而不是每个 token 各自铸出的一张「票」。
这就是 TensorCash 的妙处：挖矿推理就是普通推理，只不过采样随机性的来源换成了公开的、由链派生的那一个。 同样的模型，同样的分布，同样的答案质量——只不过现在这份串行的工作绑定在链上，而且可以验证。
想看共识层面的全貌，可以读真正派得上用场的工作量证明为什么拥有同样的安全形态。
本文由 Imosuke Takakuni 以化名撰写。