बड़े पैमाने के भाषा मॉडल (एलएलएम) ज्ञान की सीमाओं को पार करने वाले प्रश्नों को संसाधित करते समय आत्म-जागरूकता में बेमेल के कारण मतिभ्रम के प्रति संवेदनशील होते हैं। मौजूदा शमन रणनीतियाँ अनिश्चितता अनुमान या प्रश्न अस्वीकृति तंत्र का उपयोग करती हैं, लेकिन वे कम कम्प्यूटेशनल दक्षता और प्रयोज्यता से ग्रस्त हैं। इस पत्र में, हम एक स्पष्ट ज्ञान सीमा मॉडलिंग (ईकेबीएम) ढाँचा प्रस्तावित करते हैं जो विश्वसनीयता और प्रयोज्यता को संतुलित करने के लिए तेज़ और धीमी अनुमान प्रणालियों को एकीकृत करता है। ढाँचा पहले विश्वास-संकेतित प्रतिक्रियाएँ उत्पन्न करने के लिए एक तेज़ मॉडल का उपयोग करता है, जिससे उच्च-विश्वसनीय आउटपुट का तुरंत उपयोग किया जा सकता है। दूसरी ओर, अनिश्चित पूर्वानुमान सटीकता में सुधार के लिए एक धीमे शोधन मॉडल को सक्रिय करते हैं। मॉडल के व्यवहार को प्रस्तावित लक्ष्य के अनुकूल बनाने के लिए, हम कार्य निष्पादन से समझौता किए बिना आत्म-जागरूकता बढ़ाने के लिए एक हाइब्रिड लर्निंग पाइपलाइन का प्रस्ताव करते हैं। वार्तालाप स्थिति ट्रैकिंग कार्य पर मूल्यांकन परिणाम दर्शाते हैं कि ईकेबीएम अनिश्चितता-आधारित आधारभूत मॉडल की तुलना में बेहतर मॉडल विश्वसनीयता प्राप्त करता है। आगे के विश्लेषण से पता चलता है कि शोधन कम कम्प्यूटेशनल ओवरहेड को बनाए रखते हुए सटीकता में उल्लेखनीय रूप से सुधार करता है। यह फ्रेमवर्क त्रुटि-संवेदनशील अनुप्रयोगों में विश्वसनीय एलएलएम को तैनात करने के लिए एक स्केलेबल प्रतिमान स्थापित करके सटीकता और व्यावहारिकता को प्रभावी ढंग से संतुलित करता है।
