대규모 언어 모델 (LLMs)에서 추론 능력 (Reasoning capability)이 급격히 발전함에 따라, 프리필링 (prefilling) 및 디코딩 (decoding) 단계 모두에서 키-값 (KV) 캐시의 크기가 증가하고 있습니다. 기존의 KV 캐시 압축 방법들은 주로 어텐션 가중치 (attention weights)에 의존하여 토큰의 중요도를 추정합니다. 어텐션은 문맥적 관련성 (contextual relevance)을 효과적으로 포착하지만, 예측 불확실성 (predictive uncertainty) 및 토큰 정보성 (token informativeness)과 관련된 상호 보완적인 정보 이론적 신호 (information-theoretic signals)를 간과합니다. 본 논문에서는 우리는 미래 지향적인 관점에서 토큰 중요도를 재검토하고, 압축된 토큰이 미래 문맥에 어떻게 영향을 미치는지 측정하는 지표인 \textit{Forward Influence}를 소개합니다. 우리의 분석에 따르면, 어텐션 점수에 의해 선택된 토큰은 주로 인접한 문맥에 영향을 미치는 반면, 높은 예측 불확실성과 관련된 토큰은 먼 미래의 문맥에 실질적으로 더 강력한 영향력을 발휘합니다. 이러한 관찰을 바탕으로, 우리는 정보 이론적 신호를 통합하는 엔트로피 인지형 (entropy-aware) KV 캐시 압축 프레임워크인 \textbf{InfoKV}를 제안합니다. 이는 토큰 수준의 예측 불확실성을 레이어별 표현 진화 (layer-wise representation evolution)와 결합하며, 추론 과정에서 결과적으로 도출된 엔트로피 점수를 어텐션 점수와 통합합니다. Llama-3.1, Llama-3.2, 그리고 DeepSeek-R1을 사용한 긴 문맥 추론 벤치마크 실험을 통해, InfoKV가 긴 프리필링 및 디코딩 시나리오 모두에서 기존의 어텐션 기반 KV 압축 방법들을 일관되게 능가함을 입증합니다.