개인화 에이전트가 검색된 사용자 메모리를 사용·무시·갱신·질의할지 판단하는 상황을 대상으로, 이 연구는 구조화된 중간 출력에 대한 실증적 감사 절차를 제시했다. 480개 합성 개발 데이터셋에서는 상태 구조화 프롬프트가 큰 개선을 낳는 것처럼 보였지만, TF-IDF 진단 결과 어휘적 편향과 단독으로 성공한 'Ignore' 사례 부재가 드러났다. 이에 저자들은 40개 매칭된 4항 세트로 구성된 고정 160개 반사실적 통제셋을 구성했는데, 네 가지 상태 정의를 노출하면 정확도가 개선되지만 명시적 상태-출력 필드만 따로 두는 것은 Llama-3.3-70B에서 유의한 개선이 없었고 GPT-OSS-120B에서는 미미한 개선만 있었다. 라벨이 정책에 결정론적으로 대응되기 때문에 이는 충실한 내부 메커니즘의 증거가 아니라 라벨 조건화 진단에 불과하다고 저자들은 결론짓는다.

• •합성 개발셋의 큰 개선은 TF-IDF 진단상 어휘적 편향(데이터셋 지름길)으로 판명
• •160개 반사실적 통제셋 구성해 명시적 상태 출력 필드의 실제 효과 재검증
• •Llama-3.3-70B는 유의한 개선 없음, GPT-OSS-120B는 미미한 개선만 관찰
• •라벨 조건화 효과일 뿐 충실한 내부 메커니즘의 증거는 아니라고 결론