우리는 '기억 임계값(memorization floor)'을 소개합니다. 이는 LLM이 디컴파일 출력에 대한 개선 과정에서, 입력으로부터 복구하는 것과 이전 지식으로부터 복구하는 것을 분리하는 내부 항목 제어입니다. 함수를 개선한 다음, 식별자(identifiers)가 파괴된 입력을 사용하여 다시 개선하고, 무엇이 살아남는지 측정합니다. 비교가 내부 항목 내에서 이루어지기 때문에 코퍼스 난이도가 기여할 수 없습니다. 이 과정은 20개의 API 호출 비용이 발생합니다. 우리의 분석 계획이 확정된 이후에 작성된 함수에 적용했을 때, 어떤 출시된 모델도 이를 기억했을 수 없으므로, 이는 두 가지를 보고합니다. 복구는 실제입니다: 개선된 출력은 자체 출력 어휘(vocabulary)로 구축된 팔-매칭 순열(arm-matched permutation null)보다 +0.072에서 +0.137만큼 높게 위치합니다. 그러나 이는 우리가 제거한 입력에 의존하지 않습니다: 입력의 데이터 흐름을 파괴하는 것은 명명(naming) 이득을 +0.001 (95% CI [-0.026, +0.026]) 변화시키고, 타입 접두사(type prefixes)를 제거하거나 이름을 순열화해도 변화가 없습니다. 다른 공급업체의 두 번째 개선기가 사전에 등록되고 바이트 단위로 동일한 입력을 받으면 이를 재현합니다. 총 12가지 대조군과 2개의 모델, 그리고 12개의 null을 사용했습니다. 가독성은 내내 최고 수준을 유지하므로 독자에게는 아무런 신호가 주어지지 않습니다. null 값은 절대적인 것이 아니라 경계가 있습니다: 0.056 미만의 기여도는 보이지 않으며, 제거(ablation) 과정은 연산(operations)을 온전하게 남기므로, 그것만으로도 경쟁하는 읽기가 남아있습니다. 등록된 가설 중 확인된 것은 없었으며, 우리는 그 배경에 있는 다섯 가지 장비 실패 사례를 모두 보고합니다. 여기에는 처리된 팔(treated arm)에 편향된 재조립 하네스(reassembly harness)와 우리가 입력에 대해 작동하는지 확인하지 않고 등록한 동등성 검사기(equivalence checker)가 포함됩니다.