潜在相移回滚：通过残余流监控和 KV 缓存转向进行推理时纠错

大语言模型 经常在生成中期犯下不可恢复的推理错误：一旦采取了错误的步骤，后续的标记会加剧错误而不是纠正错误。我们引入 $\textbf{潜在相移回滚}$ (LPSR)：在每个生成步骤，我们在关键层 lcrit 处监视残余流，通过余弦相似性 $+$ 熵双门检测突然的方向反转（相移），并通过回滚 KV 缓存并注入预先计算的转向向量来响应。不需要 微调、梯度计算或额外的前向传递。 LPSR 在 MATH-500 上使用 8B 模型实现了 $\mathbf{44.0\%}$，而标准 AR 模型为 $28.8\%$（$+15.2$ pp；McNemar $χ^2 = 66.96$，$p < 10^{-15}$）。重要的是，提示自我修正，最自然的推理时间基线，得分仅为 19.8\%$，低于标准 AR； LPSR 超过它 $+24.2$ pp ($χ^2 = 89.4$, $p \approx 0$)。 LPSR 的性能还优于 Best-of-16 ($+7.8$ pp)，词元成本降低了 $5.4\times$，并且超过了标准 70B 模型 ($35.2\%$)，参数减少了 $8.75\times$，词元预算 的 ${\sim}3\times$。 32 层扫描揭示了一种新颖的 \textbf{检测校正分离}：错误检测 AUC 在第 14 层达到峰值（$0.718$），但任务准确度在第 16 层达到峰值（$44.0\%$ vs.\ $29.2\%$），这表明检测和校正的最佳监控深度不同。