대형 언어 모델 (LLM) 은 예측 가능한 방식으로 환각을 일으킵니다: 주의 라우팅이 좁은 위치 집합에 과도하게 집중하거나, 너무 확산되어 관련성이 희석되는 경우입니다. 이러한 실패의 형태는 진단 신호를 포함합니다. 널리 사용되는 스펙트럼 방법의 가족은 차수 정규화된 주의 연산자의 대칭 성분을 분석하며, 이는 운송 능력을 지배합니다. 우리는 이 연산자의 모든 전치 변환 불변 (transpose-invariant) 스펙트럼 진단이 구조적으로 방향에 무관함을 증명했습니다 (연산자에서 그 전치와 구별할 수 없으며, 따라서 정보 흐름 방향을 감지할 수 없음). 이는 비대칭 계수 $G$를 방향의 유일한 제어 변수로 설정하는 정량적 역설 (converse) 을 확립합니다. 이 결과를 표준적인 인과 구조에 대한 닫힌 형식 쌍분 Cheeger 경관 (bipartite-Cheeger landscape) 과 결합하여, 균일한 인과 주의가 $n$에 독립적인 바닥선 $φ\ge 1/5$를 만족하며 최악의 절단은 $t^\ast/n \approx 0.32$임을 보였습니다. 반면 윈도우 주의 (window attention) 는 $O(w/n)$로 바닥선을 뚫습니다. 실패 모드는 값이 다르기만 한 것이 아니라 형태가 다릅니다. 이 결과에 따른 두 축 진단 ($φ$는 용량, $G$는 방향) 은 반박 가능한 극성 예측을 제공합니다: 병목과 확산에 지배적인 벤치마크는 반대 극성을 보일 것입니다. 길이 제어 평가 (length-controlled evaluation) 하에서, 운송 기능은 테스트된 모델 (최대 8B 파라미터) 에서 해석 가능한 신호를 유지합니다 (LC-AUROC 0.62~0.84). HaluEval 과 MedHallu 사이에서는 예측된 대로 극성이 반전됩니다.