LLM介导的普适系统中的权威倒置：当模型更相信用户而非传感器

大语言模型（LLM）在普适系统中越来越多地融合异构输入。然而，当传感器测量与用户声称冲突时，LLM如何隐式分配权威仍未被研究，这对物理传感必须保持优先级的部署提出了关键的可靠性担忧。与显式的传统融合不同，LLM将权威分配埋藏在习得的表示之中。我们发现这种分配严重依赖格式：数值传感器数据无法整合进与答案相关的模型方向，使自然语言声称主导最终决策，我们将这一现象称为权威倒置（Authority Inversion）。为诊断并缓解这一问题，我们开发了上下文整合的几何框架，引入两个可计算的审计指标——上下文整合比率（CIR）与权威对齐指数（AAI），并提出几何权威校准（GAC），一种在推理时进行层级干预以抑制错置的用户权威的方法。对四个模型（4B至35B参数、三种架构）在共576个冲突实例的四个数据集上的评估揭示了极端倒置：在数值任务上，模型表现出近乎为零的传感器信任（AAI = -0.805，Cohen's d = -2.14），且不受模型容量影响。理论引导的因果注入翻转了80.2%的错误决策（随机对照为<0.4%），验证了我们的几何框架。在实践上，GAC将HAR准确率从0-1.6%提升至21.9-27.5%，优于提示词基线。归根结底，LLM介导系统中的权威分配必须被显式审计并按应用进行配置，而不能保持隐式。