第四章 MeriToken 模型

4.1 模型概述

MeriToken 是 GMC 的核心度量单位。它的设计需要回答一个关键问题：如何让贡献度量既反映当前活跃度，又尊重历史贡献？

答案是：指数衰减 + 非零底部值。

4.2 两个关键数值

每个 MeritPocket 维护两个核心数值：

• curMerit（当前 MeriToken）：实时的贡献度量值，随时间衰减，随新贡献增长
• minMerit（底部值）：衰减的下限，代表历史贡献的长期沉淀，只增不减（除惩罚外）

curMerit ≥ minMerit ≥ e（初始值）

4.3 获取

MeriToken 通过贡献获取，系统铸造（Mint）新的 Token：

获取方式	描述	触发条件
客观计量	基于可验证指标自动计算	系统自动记录达标
任务悬赏	预设 Merit 给特定任务	完成后干系人投票通过
初始分配	注册入网时获得	完成身份注册

初始值 = e ≈ 2.718（自然常数，与指数衰减模型天然契合）。

4.4 衰减模型

核心思想

每个 Merit 获取批次有独立的影响期限。影响期限反映该贡献的时效性——一次影响 100 天的贡献，其 Merit 在 100 天内衰减完毕。

单批次衰减公式

MeriToken_i(t) = (V_i - B_i) × e^(-λ_i × t) + B_i

• V_i：该批次的初始 Merit 值
• B_i：该批次对底部值的贡献
• λ_i：衰减系数，由影响期限 T_i 决定（λ_i = k / T_i，k 为常数）
• t：自获取以来的时间

当前 MeriToken 总值

curMerit = Σ MeriToken_i(t)  （所有活跃批次之和）

当所有批次完全衰减后，curMerit 趋近于 minMerit。

4.5 底部值（minMerit）

更新规则

每次获取新 Merit 时，底部值更新：

设当前 curMerit = M，新获取 Merit = x，当前底部值 = B，则：

新底部值 B' = (x + M) × B / M

含义：底部值按照新 Merit 占总量的比例增长。

特性

• 起始值 = e ≈ 2.718
• 只增不减（除惩罚外）
• 代表历史贡献的不可磨灭的沉淀
• 即使完全停止贡献，curMerit 最终也不会低于 minMerit

边界情况

当 curMerit = minMerit（即处于底部状态）时获取新 Merit x：

B' = (x + B) × B / B = x + B

底部值直接增加 x——这意味着在底部状态下获取的 Merit 会完全沉淀为底部值。

4.6 每批次独立衰减的实现

挑战

• 每个 MeritPocket 需维护 Merit 批次列表
• 查询当前值需遍历所有未完全衰减的批次
• 链上存储和计算开销随批次数量线性增长

优化策略

1. 批次合并：影响期限相近的批次定期合并，减少活跃批次数
2. 链下计算：用 Rollup 在链下计算实时值，链上只存储快照和证明
3. 批次沉淀：超过最大活跃批次数后，最老的批次自动沉淀为底部值
4. 惰性计算：只在需要时（如投票、查询）才计算精确值

4.7 设计哲学

为什么选择指数衰减？

• 激励持续贡献，而非一次性大额贡献后躺平
• 反映贡献的时效性——越近期的贡献对当前信誉影响越大
• 自然模拟社会记忆的衰退规律
• 前期衰减快、后期趋缓，符合直觉

为什么需要非零底部？

• 承认历史贡献的长期价值——过去的付出不会完全归零
• 防止长期贡献者因短暂休息而丧失所有话语权
• 底部值随累计贡献增长，奖励持续参与者

为什么每批次独立影响期限？

• 不同贡献的时效性天然不同
• 一次客服接待的影响可能只有 30 天
• 一个开源项目的维护影响可能持续数年
• 统一衰减速率会扭曲不同类型贡献的价值

4.8 讨论备注

MeriToken 模型的关键决策：

• 指数衰减 + 非零底部：在"激励持续参与"和"尊重历史贡献"之间取得平衡
• 每批次独立影响期限：增加实现复杂度，但更精确反映贡献时效差异
• 底部值只增不减（除惩罚外）：保护长期贡献者的基本权益
• 初始值选择 e：数学美感与实用意义兼具

待进一步推敲：底部值更新公式在极端情况下的行为是否合理