同一句关键信息，在长文里前后挪几个位置，AI 可能就从“找得到”变成“找不到”。问题出在分块压缩：系统把 KV Cache——模型生成文字时保存的“阅读笔记”——按连续词块合并，以节省显存和计算，但信息落在块首、块中还是块尾，会影响它之后能否被找回。
作者把这种现象称为“相位敏感性”：固定步幅会让压缩边界周期性重复，于是薄弱位置也周期出现。在采用这类压缩的大型开放权重模型中，作者报告，不同相位的长上下文检索准确率最多相差40个百分点。他们还从头训练多组不同压缩设计的 Transformer，并通过因果干预发现，不同注意力组件会偏向处理不同相位的信息。
这项工作的工程提醒很直接：平均准确率可能看起来不错，却掩盖反复出现的位置低谷。评测 KV 缓存压缩时，不能只报总平均，还要把关键信息放到各个压缩相位分别测试。