النماذج اللغوية الكبيرة (LLMs) تتفوق في فهم وإنتاج اللغة الطبيعية ولكنها تظل عرضة للأخطاء الواقعية، مما يحد من موثوقيتها في المهام التي تتطلب معرفة متعمقة. بينما توفر استراتيجيات التفكيك في وقت التشغيل حلاً واعداً وكفؤًا دون الحاجة إلى التدريب، فإن الطرق الحالية تعالج عادة إشارات المستوى الرمزي والمستوى الطبقي بشكل منفصل، مما يؤدي إلى تجاهل الديناميكيات المشتركة بينهما. في هذا البحث، نقدم طريقة تفكيك تبايني محلي على مستوى الطبقة ووعي بالرمز الذي يربط أنواع الرموز المحددة بطبقاتها الأكثر تأثيرًا في المحول لتحسين إنتاج الحقائق. من خلال تحليل الانتباه التجريبي، نحدد نمطين رئيسيين: يتم استقبال الرموز النحوية باهتمام سائد في الطبقات الأولى، بينما تحكم الرموز المفاهيمية الاستدلال الدلالي في الطبقات الوسطى. عن طريق قمع الانتباه لهذه الأنواع من الرموز عند أعماقها الخاصة بشكل انتقائي، نحقق تحفيز التدهور الوقعي الخاضع للرقابة ونستنتج إشارات تباينية لتوجيه عملية التفكيك الواقعية النهائية. طريقتنا لا تتطلب أي تدريب إضافي أو تعديل في النموذج، وقد أظهرت التجارب أن طريقتنا تحسن الحقائق بشكل مستمر عبر العديد من النماذج اللغوية الكبيرة ومختلف المقاييس (benchmarks).