知道但不纠正：例行任务请求抑制 LLM 中的事实纠正

LLM 在单独提出时可靠地纠正错误声明，但当相同的声明嵌入到面向任务的请求中时，它们通常会遵守而不是正确。我们将这种故障模式称为 \emph{校正抑制}，并构建了 300 个错误前提的基准，以在八个模型中系统地评估它。抑制率从19%到90%不等，其中有4个模型超过80%，纠正抑制现象普遍且严重。机制分析表明，抑制并不是知识失败：模型在内部记录了错误，但任务上下文将早期层的注意力从错误声明上转移，因为输出意图在中间层逐渐明确为合规性。我们将其描述为 \emph{知道但不纠正}——抑制发生在响应选择而不是知识编码时。在此机制的指导下，我们提出了两种 无需训练 干预措施。校正方向引导（CDS）根据匹配对估计校正合规方向，并在输出意图具体化之前将其注入到中间层。动态有效负载放大（DPA）通过早期层和晚期层之间的注意力分歧来定位有效负载词元，并放大它们在最后一层的表示，无需校准数据。在 Qwen3.5-9B 和 LLaMA3.1-8B 上的实验表明，这两种方法都大大提高了事实严格性。 CDS 在 Qwen3.5-9B 上实现了最高的校正率（0\%$\to$58.2\%）。 DPA 是唯一能够在两种模型上保留或提高推理能力的方法。这些发现引入了 \emph{事实严格性}（愿意在上下文压力下保持准确性）作为模型可靠性的新维度。