첫 번째 논문인 CIMemories는 대규모 언어 모델(LLM)에서 영구 메모리의 맥락적 무결성을 다룹니다. LLM은 개인화를 통해 사용자 경험과 성능을 향상시키기 위해 과거 상호 작용을 점점 더 많이 저장합니다. 그러나 이러한 영구 메모리는 민감한 정보가 부적절한 맥락에서 노출될 경우 보안 위험을 초래할 수 있습니다. CIMemories 벤치마크는 LLM이 현재 작업에 기반하여 메모리에서 정보 흐름을 얼마나 잘 관리하는지 평가하기 위해 개발되었습니다. 이는 수많은 속성과 다양한 작업 시나리오를 가진 합성 사용자 프로필을 활용합니다. 이러한 시나리오는 특정 속성이 주어진 작업에 중요하거나 부적절한지를 결정합니다. Frontier LLM은 상당한 속성 수준 위반을 보여주며, 때로는 69%까지 이릅니다. 종종 낮은 위반율은 작업 유용성을 희생시킵니다. 이러한 위반은 여러 작업과 반복 실행을 통해 축적될 수 있습니다. 예를 들어, GPT-5의 위반은 작업이 많을수록 상당히 증가합니다. 동일한 프롬프트를 반복해도 임의적이고 불안정한 정보 누출이 발생합니다. 개인 정보 보호에 초점을 맞춘 프롬프트조차도 이 문제를 효과적으로 해결하지 못합니다. 이 연구는 LLM이 이 문제를 처리하기 위해 맥락을 인식하는 추론 능력을 개발해야 할 필요성을 강조합니다.