Bài báo này trình bày một khuôn khổ phát hiện ảo giác đa năng, không cần tài nguyên để giải quyết vấn đề ảo giác trong các mô hình ngôn ngữ quy mô lớn (LLM). Nó tận dụng các kỹ thuật định lượng bất định (UQ) khác nhau, bao gồm UQ hộp đen, UQ hộp trắng và LLM-as-a-Judge, bằng cách chuyển đổi chúng thành các điểm tin cậy chuẩn hóa, ở cấp độ phản hồi, dao động từ 0 đến 1. Một phương pháp tổng hợp có thể điều chỉnh được, kết hợp nhiều điểm tin cậy riêng lẻ được đề xuất, cho phép tối ưu hóa cho các trường hợp sử dụng cụ thể. Bộ công cụ Python UQLM giúp đơn giản hóa việc triển khai, và các thử nghiệm trên một số điểm chuẩn trả lời câu hỏi LLM cho thấy phương pháp tổng hợp vượt trội hơn cả các thành phần riêng lẻ và các phương pháp phát hiện ảo giác hiện có.
