本文研究基于再质押（restaking）协议的可验证大语言模型（LLM）推理安全问题。这类协议通过经济惩罚机制（slashing）取代了 zkML 的高昂证明成本或 TEE 的硬件信任假设，从而以较低成本实现推理的可验证性。现有安全性论证通常依赖单轮（one-round）条件：理性提供者在预期惩罚超过作弊成本节省时不会作弊。然而，本文指出当推理在相同质押下重复进行时，该条件会高估实际安全性。作者将可验证推理建模为折扣重复博弈（discounted repeated game），发现由比例削减（proportional slashing）导致的“重复博弈缺口”：(1) 被检测到的违规会降低未来的惩罚暴露，而 (2) 成本节省会在多次查询中不断累积。论文以闭式形式推导了这一缺口的大小，证明其在最小质押驱逐（minimum-stake ejection）机制下依然存在，并进一步扩展至覆盖实际部署的无记忆有界削减协议。为修复该缺口，作者提出一种可部署机制，结合历史相关挑战（history-dependent challenges）、声誉加权削减（reputation-weighted slashing）和质押归属（stake vesting），在无需逐查询密码学验证的情况下，于显式折扣因子阈值之上恢复无限时域子博弈完美激励相容性（subgame-perfect incentive compatibility），针对平稳混合策略偏离。实验评估覆盖九个从 0.5B 到 14B 参数的开源模型对，表明审计信号具有所需的凹可检测性响应。Stackelberg 审计预算分析显示，在折扣因子 0.95 时，改进的信号响应可将基线审计率降低 2.6 倍。针对已部署参数的校准表明，现有协议通过单轮激励相容性测试，但在折扣因子 0.92–0.98 之间允许重复博弈偏离，偏离利润占 1.5%–8%；而所提机制可将偏离利润降低 31%–54%，同时维持低延迟的经济验证。该研究适用于关注 LLM 推理经济安全、博弈论机制设计及去中心化基础设施的从业者与研究者。