Zespół badaczy przeanalizował, jak modele AI mogą czasami zaufać starym, nieaktualnym faktom przechowanym w pamięci zamiast polegać na bieżących informacjach z wiarygodnych źródeł. Problem ten, nazwany Memory Trust Gap, pojawia się w niespodziewany sposób wraz ze wzrostem mocy modelu - to zjawisko "capability-gated", gdzie większe modele potrafią być bardziej podatne na błędy niż mniejsze.
Badanie testowało serię Qwen3 od modelu 0.6B do 8B parametrów na zamkniętym benchmarku zawierającym dwa zestawy zadań. W zestawie Safety, gdzie autorytatywne narzędzie zawsze ma poprawną wartość, większe modele zaczęły masowo ufać stalejącym zapisom gdy wyglądały na niedawne. Interesujące jest, że usunięcie etykiet czasowych umocniło problem we wszystkich rozmiarach, a funkcja niedawności (datowanie na "nowy") szczególnie łatwo oszukiwało większe modele. Badacze potwierdzili te efekty skalowane poprzez bezpośrednie testy porównawcze między modelami, a nie tylko statystyczną analizę przedziałów.
Wyniki mają znaczące implikacje dla autonomicznych agentów z pamięcią, zwłaszcza w zastosowaniach wymagających wiarygodności - np. systemy finansowe czy medyczne, gdzie stara informacja przechowana w pamięci może być niebezpieczna. Łagodzenie problemu również zależy od możliwości modelu, choć ujawnienie metadanych o źródle pokazało potencjał w poprawie dokładności na różnych skalach. Problem wskazuje na konieczność nowego podejścia do projektowania systemów pamięci dla zaawansowanych modeli.