大模型读长文时，会把前文的 Key 和 Value 存进 KV 缓存——像留下索引卡，避免每次都从头计算。显存不够时，系统通常按评分删掉一批卡片。问题是：删完以后，它无法判断自己是否恰好毁掉了关键线索。论文证明，对确定性淘汰而言，可以改动已删除的内容，让系统保留的信息和监测指标完全不变，真实误差却任意增大；在真实模型的构造实验中，误差甚至相差 64 倍。
作者改用已知概率随机保留部分低分项，类似民调抽样，再据此估计被删内容的整体影响，生成逐步的“误差证书”——即误差范围及其不确定性说明。作者报告其经验覆盖率为 0.97，且没有准确率损失。不过，它不擅长预测答案是否会错；模型自身的输出置信度更强。它真正有用的是分清错误来自缓存删除，还是模型本来就答不出：这项归因的 AUC 为 0.73–0.75，并能更有效地安排重新计算。