思维链（Chain-of-thought, CoT）推理已成为大语言模型（LLMs）解决复杂问题的标准范式。然而，近期研究表明，在推理步数泛化（Reasoning hop generalization）场景下——即底层算法保持不变，但所需推理步数超出训练分布时——模型性能会出现剧烈下降。导致这一失效的内部机制尚不明确。 本研究对多领域的任务进行了系统性实验，发现错误并非均匀分布，而是集中在少数关键错误类型的 Token 位置上。进一步观察显示，这些 Token 级别的错误预测源于内部竞争机制（Internal competition mechanisms）：某些特定的注意力头，即错误处理头（Erroneous processing heads, ep heads），通过放大错误的推理轨迹并抑制正确的轨迹，打破了表征的平衡。值得注意的是，在推理阶段移除单个 ep head 往往就能恢复正确的预测。

受此启发，我们提出了测试时推理修正（Test-time correction of reasoning）。这是一种轻量级的干预方法，能够在推理过程中动态识别并停用 ep heads。在不同任务和多种 LLM 上的广泛实验表明，该方法显著提升了推理步数的泛化能力，彰显了其有效性与应用潜力。