연구진은 LLM이 맥락 정보를 제대로 반영하지 못하는 현상(충실성 환각)을 줄이기 위해 CFB라는 새로운 디코딩 프레임워크를 제안했어요. CFB는 워터마크 기법의 로짓 쉐이핑 원리에서 영감을 받아, 입력 맥락에서 지원하는 토큰의 생성 확률을 높이는 방식으로 작동해요. 정적, 맥락 인식, 토큰 인식 부스팅 전략을 활용하며, 기존 LLM의 재학습이나 구조 변경 없이 적용 가능하고 성능 향상을 보여줬어요.