대규모 언어 모델(LLM)은 안전 필수적인 영역에서 점점 더 많이 사용되지만 환각 현상에 취약하다. 기존 연구는 환각 감지를 위한 신뢰도 표현 방법을 제안했지만, 대부분 계산 비용이 많이 드는 샘플링 전략에 의존하고 환각 유형 간의 구분을 무시했다. 본 연구에서는 외부적 및 내부적 환각 범주를 구분하고 엄선된 벤치마크를 통해 감지 성능을 평가하는 체계적인 평가 프레임워크를 제시한다. 또한, 최근의 주의 기반 불확실성 정량화 알고리즘을 활용하여 해석 가능성과 환각 감지 성능을 향상시키는 새로운 주의 집계 전략을 제안한다. 실험 결과에 따르면 Semantic Entropy와 같은 샘플링 기반 방법은 외부적 환각 감지에 효과적이지만, 내부적 환각에는 일반적으로 실패한다. 반면, 입력 토큰에 대한 주의를 집계하는 본 연구의 방법은 내부적 환각에 더 적합하다. 이러한 통찰력은 감지 전략을 환각의 본질에 맞추는 새로운 방향을 제시하고 모델 불확실성을 정량화하는 풍부한 신호로서의 주의를 강조한다.
