潜在相位移回滚：通过残差流监控和 KV 缓存引导实现推理时错误纠正

大语言模型经常在生成过程中提交不可恢复的推理错误：一旦采取错误步骤，后续 token 就会积化为错，而非纠正。我们引入$\textbf{潜在相位移回滚}$（LPSR）：在每个生成步骤中，我们监控关键层 $lcrit$ 处的残差流，通过余弦相似度 + 熵双门检测突然的方向反转（相位移），并据此回滚 KV 缓存并注入预计算的引导向量。无需微调、梯度计算或额外的前向传递。LPSR 在 8B 模型上实现 $\mathbf{44.0\%}$ 的 MATH-500 分数，相较于标准自回归的 $28.8\%$ 提升 $15.2$ 个百分点（McNemar $\chi^2 = 66.96$, $p < 10^{-15}$）。 critically, 激发自我纠正（most natural inference-time baseline）仅得 $19.8\%$，低于标准自回归；LPSR 以 $+24.2$ 个百分点超过它（$\chi^2 = 89.4$, $p \approx 0$）。LPSR 还在 $+7.8$ 个百分点的性能提升下，以 $5.4\times$ 更低的 token 成本超越 Best-of-16，并且以 $35.2\%$ 的分数（相当于 $8.75\times$ 更少的参数）在约 $3\times$ 的 token 预算下超越标准 70B 模型。32 层扫描揭示了一种新的\textbf{检测-纠正解耦现象}：错误检测 AUC 在第 14 层达到峰值（$0.718$），但任务准确率在第 16 层达到峰值（$44.0\%$ vs.\ $29.2\%$），表明检测与纠正的最佳监控深度不同。