대규모 언어 모델(LLMs)이 사전 학습 데이터 외부의 질문에 답하려면 새로운 정보에 접근할 필요가 있으며, 이 정보는 문서를 통해 컨텍스트 창으로 제공되거나, 모델의 파라미터로 인코딩되거나, 잠재적 표현(latent representations)으로 주입될 수 있습니다. 하지만 이러한 각 방법은 효율성, 비용, 성능 측면에서 서로 다른 트레이드오프를 가지며, 단 하나의 우승자는 없습니다. 우리는 다섯 가지 지식 집약적 벤치마크에 대해 표현 기반(KV-cache 기반) 적응 방식과 파라미터 기반(fine-tuning 기반) 적응 방식을 통제된 비교를 통해 제시합니다. 오라클 설정에서 Cartridges (KV)는 거의 모든 저장 예산에서 가장 정확한 주입 방법임을 보여주며, 파라미터 기반 방법을 10점 능가합니다. Compaction (KV)은 낮은 압축률에서만 Cartridges와 일치하며, $50 imes$보다 높은 비율에서는 파라미터 기반 방법에 비해 10점 뒤처집니다. 보다 현실적인 다중 문서 검색 시나리오에서 Cartridges는 인컨텍스트 학습(ICL)과 일치하는 유일한 방법이며, 파라미터 기반 방법을 29점, Compaction을 15점 앞섭니다. 그럼에도 불구하고, Cartridges는 전체 fine-tuning 및 대형 MLP 어댑터를 제외하고, 치명적 망각(catastrophic forgetting), 즉 제어 벤치마크에서 6%의 성능 저하, 코딩에서는 13%의 성능 저하를 겪는 유일한 방법이기도 합니다.