压缩与释放：通过使隐藏幻觉浮现为安全信号来暴露它们

语言模型在直接被询问时能够检测到错误前提，但在对话压力下会吸收它们，从而基于它们已经识别出的错误生成权威的专业输出。这种失败——顺序差距幻觉——对输出检查是不可见的，因为错误迁移到了安全电路的激活空间中，被抑制但未被擦除。我们引入了压缩与释放（S&R），一种具有两个组件的激活修补架构：一个固定的检测器主体（第24-31层，局部化安全评估电路）和一个可交换的检测器核心（一个控制感知方向的激活向量）。安全核心将模型从服从转向检测；吸收核心则逆转这一过程。我们在OLMo-2 7B上使用顺序差距基准进行评估——跨越500个领域的500条链，全部由人工评分。关键发现：级联崩溃几乎是完全的（O5处99.8%的服从度）；检测器主体是二元的且局域化的（第24-31层偏移93.6%，第0-23层贡献为零，p<10^-189）；一个合成工程化的核心释放了76.6%的崩溃链；检测是更稳定的吸引子（83%恢复对比58%抑制）；并且认知特异性得到确认（错误前提核心释放45.4%，真实前提核心释放0.0%）。该贡献在于框架——主体/核心架构、基准和核心工程方法论——其设计是模型无关的。