LS-AR：自回归LLM的未来预测潜引导

标准自回归（AR）模型在单一共享token序列中处理高层任务指令、状态历史与瞬态token，因而缺乏把宏观目标与上下文噪声隔离所需的架构机制。为克服单通道限制，我们提出潜引导自回归（LS-AR）——经FiLM条件把连续目标引导与离散token解码解耦的双通道架构。我们评估用于长rollout持续宏观目标保持的静态目标编码器（P0）与生成中递归潜更新的动态状态跟踪器（Pt）。在越过上下文限制的长程检索（H=1024，W=500）上，LS-AR（Static）实现100%目标召回而参数匹配基线崩溃（0%），同时吞吐提升约35%、峰值VRAM削减52.8%。在强制扰动（k=1）下的Blocksworld规划中，LS-AR（Dynamic）保持89.0%完成率对基线71.0%，但零样本实体扩展（N→N+1）暴露单向量容量限制（0%）。最后的双通道权威分析显示：文本目标丢弃建立潜主导控制，为文本提示注入提供结构性防御，同时引入潜向量攻击面。