╔══════════════════════════════════════════════════════════════════════════════════════════════════════════════════╗
║ Figure 1: The Monitoring–Control Gap in Retrieval-Augmented LLMs ║
╚══════════════════════════════════════════════════════════════════════════════════════════════════════════════════╝
A. MULTI-TURN ACCUMULATION PROTOCOL B. THE GAP C. WHY?
T0 T1 T2 T3
┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────────────────┐
│INITIAL│ │FOLLOW│ │CONFL.│ │ACTION│ monitor ──╳──▶ control │ NOT a failure of:│
│ query │ │ up │ │ turn │ │ turn │ │ │
└──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ 0.51 ────╳───▶ 0.67 │ • detection ✓ │
│ │ │ │ (Qwen2.5-7B) │ • representation ✓│
▼ ▼ ▼ ▼ │ • attention ✓ │
┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ 0.12 ────╳───▶ 0.18 │ • verbalization ✓│
│R₁ R₂ │ │R₃ R₄ │ │R₅ R₆ │ │R₇ R₈ │ (Mistral-7B) │ │
│ ✓ ✓ │ │ ✓ ✓ │ │ ✗ ✗ │ │ ✗ ✗ │ │ IT IS a failure │
└──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ "I note the conflict; │ of: │
└─────────────┴──────────────┼──────────────┘ however I recommend..." │ │
│ │ ACTION SELECTION │
┌──────────▼──────────┐ ┌────────────────────────┐ └──────────────────┘
│ DOC CACHE │ │ Gap WIDENS with scale: │
│ R₁ R₂ R₃ R₄ R₅ R₆ │ │ 1.5B → 7B → 14B → 32B │
│ ✓ ✓ ✓ ✓ ✗ ✗ │ │ monitor↑ danger↑ │
└─────────────────────┘ └────────────────────────┘
═══════════════════════════════════════════════════════════════════════════════════════════════════════════════════
EVIDENCE TIMING: ████ constant │ ░░░░████ late_only │ ████░░░░ early_only │ █░█░█░ alternating │ ░░██░░██ gradual │ ░░░░░░██ sudden
(6 patterns × 2 attacks × 3 seeds × 6 scenarios = 864 evaluations per model)
═══════════════════════════════════════════════════════════════════════════════════════════════════════════════════
