让小模型读很长的材料，常见做法是删掉一部分“旧笔记”来省显存；麻烦是，一旦删掉关键线索，后面就可能答错。这里的笔记叫 KV 缓存——模型读文本时保存的中间结果。TwinKV 想做的不是重新设计淘汰规则，而是在删除之后补一次漏。
它先找“成对的键”：键向量可理解为模型检索历史内容时使用的索引。若某条被删记录没有近似副本留下，它就是信息缺口；若某条保留记录已有近似副本，它又占了一个冗余名额。TwinKV 会交换两者，在不增加缓存预算、也不改原有评分规则的前提下，近似补回被误删信息的影响。
作者还用逐条移除再观察正确答案概率变化的办法发现，模型“看了多少”与信息是否真正影响答案只有很弱关系。实验中，TwinKV接在四种淘汰策略之后，在Qwen3-4B上对其中两种策略的多数测试配置有帮助，对另两种则接近持平或仅少数有效；效果也会随模型和任务变化。它更像一层可组合的补救，而不是稳定取胜的新淘汰法。