본 논문은 대규모 언어 모델(LLM)의 환각(hallucination) 문제 해결을 위해 Chain-of-Thought (CoT) 프롬프팅과 Retrieval-Augmented Generation (RAG)을 결합하고, 자기일관성(self-consistency) 및 자기검증(self-verification) 전략을 적용하는 방법을 제시합니다. 복잡하고 개방적인 작업에서 LLM이 정확하지 않거나 무관한 정보를 자신 있게 생성하는 환각 문제는 주요 한계점입니다. 본 연구는 CoT만으로는 환각 문제를 완전히 해결할 수 없다는 점을 인지하고, 외부 지식 소스를 활용한 추론 및 모델의 자체 출력 검증 및 수정을 통해 더 정확하고 일관성 있는 응답을 생성하는 것을 목표로 합니다. 기준 LLM과 CoT, CoT+RAG, 자기일관성, 자기검증 기법을 비교 평가하여 각 방법의 효과를 분석하고 환각을 최소화하면서 유창성과 추론 깊이를 유지하는 가장 강력한 접근 방식을 제시합니다.
