我们提出了一个角色感知的决策‑监督（Decider‑Supervisor，DS）框架，并在区块链上实现审计功能，以探讨第二个 AI 组件何时能提升主模型的网络欺诈检测，而不是增加运营负担。框架包含四种方向配置：
- 中央化机器学习模型
- 使用 Federated Averaging（FedAvg）训练的联邦元模型
- 基础（Base）大语言模型（LLM）
- 量化低秩适配（QLoRA）LLM 变体
我们比较了仅使用主模型的决策与加入监督模型后的决策，评估指标包括非硬判欺诈性能、干预负担、条件校准、流量混合敏感性、审查容量敏感性、可靠性测试以及区块链生命周期控制。硬门限规则能够确定性拦截 89.994% 的欺诈请求，剩余的非硬判请求成为 AI 决策的主要场景。条件校准在部署回放中未表现出可迁移的监督优势。DS‑3（QLoRA）是干扰最小的监督配置，但在 F1 分数和总错误数上仍逊于其前置的 FedAvg 阶段。对 36 种重新加权的流量混合进行实验后发现，仅在两种极端高欺诈情形下，DS‑4（Base）能够降低总错误。
区块链测试验证了摘要校验、篡改检测、授权、单次审查决议以及最终化后的完整性，但也暴露出在最终化前只能写入一次的限制。整体结论是，AI 监督的价值取决于角色分配、校准方式、升级策略、流量组成以及生命周期控制，而非仅仅是否存在第二个模型。
点评