语义重力井：为何负约束适得其反

负约束（形式为“不要使用词X”的指令）是大型语言模型指令遵循能力的基本测试。尽管这些约束看似简单，但却以惊人的频率失败，其失效的条件长期以来一直鲜为人知。本文提出了负指令失效的首个全面机制性调查。我们引入语义压力，即模型生成禁止标记的内在概率的量化度量，证明了违反概率与压力之间存在紧密的 logistic 关系（$p=\sigma(-2.40+2.27\cdot P_0)$；$n=40,000$ 样本；bootstrap 95% CI for slope: $[2.21,,2.33]$）。通过基于 logit 镜头技术的层级分析，我们确立了负指令引发的抑制信号在失效中虽存在，却在系统性上弱得多：指令在失效时的抑制仅为成功时的 5.2 个百分点，而成功时为 22.8 个百分点——为 $4.4\times$ 的不对称。我们将这种不对称归因于两种机制上不同的失效模式。在 priming 失效（87.5% 的违规）中，指令对禁止词的显式提及反向地激活了目标表示。而在 override 失效（12.5%）中，晚层前馈网络的贡献为 $+0.39$，几乎为成功时的 $4\times$，压倒了早期的抑制信号。通过激活修补，我们确认第 23-27 层在因果上负责：替换这些层的激活会翻转约束效应的符号。我们的发现揭示了负约束设计的根本张力：对禁止词的命名行为本身会使模型倾向于生成该词。