ระบบหน่วยความจำของ LLM agents มักมีการลบข้อเท็จจริงที่ถูกจัดว่าเป็น 'ไม่ทันสมัย' ออก แต่การวิจัยนี้เปิดเผยว่าขั้นตอนการกรองแบบ hard-filtering นี้สามารถลดความแม่นยำของโมเดลได้ โดยเฉพาะอย่างยิ่งเมื่อข้อผิดพลาดของ resolver ลบข้อเท็จจริงที่สำคัญต่อการตอบคำถาม
การทดลองในสามโมเดลชี้ให้เห็นว่า การลบข้อมูลอย่างรุนแรงอาจเปลี่ยนจากผลกำไรด้านความแม่นยำ (+0.186 ถึง +0.230 ที่การแก้ไขสมบูรณ์) ไปสู่การสูญเสียความแม่นยำ (-0.176 ถึง -0.181 ที่ความน่าเชื่อถือต่ำสุด) นอกจากนี้ การลบข้อมูลผิดพลาด (false-drop) ยังทำให้เกิดการเสื่อมประสิทธิภาพมากกว่าการเก็บข้อมูลผิดพลาด (false-keep) อย่างมีนัยสำคัญ
งานวิจัยสรุปว่าแทนที่จะใช้เกณฑ์การลบข้อมูลแบบตายตัว การลบข้อมูลควรถูกมองว่าเป็นการตัดสินใจที่คำนึงถึงต้นทุน (cost-sensitive) โดยเน้นย้ำถึงความจำเป็นในการตรวจสอบความเสี่ยงของการลบข้อมูลสำคัญที่ผิดพลาดบนชุดข้อมูลที่ตรงกัน หรือควรเลือกเก็บข้อมูลไว้หากไม่มีการตรวจสอบดังกล่าว ซึ่งจะช่วยให้ LLM agents รักษาความแม่นยำได้ดีขึ้น.