可解码但固定残差流线性引导无法纠正：来自医疗LLM失败模式的证据

LLM隐藏状态中线性可解码的失败信号，能否被用来纠正那些失败？我们经由过度思考（OT）研究这一「分类-纠正鸿沟」——医疗QA中一个稳定的行为模式（Jaccard≥0.81、标注者间一致性94%）：模型在重采样下答对、却在扩展思维链下答错。OT可线性解码（平衡准确率71.6%，p<1e-16）。但五个家族的固定线性引导（29种配置、n=1,273）全部Δ≈0，跨架构（Qwen2.5-7B）与跨域（MMLU-STEM）同样为零。三条汇聚证据提示表征纠缠：OT方向与任务关键计算有85-88%重叠（特异比≤0.152）；非定向共享方向引导损害准确率（-12.1pp）；LEACE概念擦除也损害准确率（-3.6pp，p=0.01），而10次随机擦除产生Δ=+0.3pp。逐实例探针-引导相关为r=-0.002（p=0.97）。积极面：同一探针支持选择性弃答（留出AUROC=0.610，超全部五个不确定性基线，p=0.009）：可解码的失败结构支持生成后可靠性估计，即便固定线性引导家族无法利用它做纠正。