본 논문은 대규모 언어 모델(LLM)의 환각(hallucination) 문제 해결을 위한 새로운 방법인 불확실성 인식 융합(UAF) 프레임워크를 제안한다. 기존의 환각 완화 방법들은 추가적인 훈련 데이터와 높은 구현 복잡성을 요구하는 반면, UAF는 여러 LLM의 정확도와 자기 평가 능력을 바탕으로 전략적으로 결과를 결합하여 환각을 줄인다. 특히, 각 LLM의 정확도와 불확실성 추정 능력의 차이를 활용하여, 특정 상황에 강점을 가진 모델의 결과를 우선적으로 반영한다. 여러 공개 벤치마크 데이터셋에 대한 실험 결과, UAF는 기존 최첨단 환각 완화 방법보다 사실 정확도를 8% 향상시켰으며, GPT-4와의 성능 차이를 줄이거나 능가하는 결과를 보였다.
