연구진은 LLM의 환각 현상을 줄이기 위해 Exploration-Commitment Decoupling이라는 새로운 패러다임을 제안했어요. 이 패러다임은 지식 탐색과 최종 답변을 분리하여 모델이 신뢰성 있는 정보를 우선적으로 고려하도록 합니다.
Calibration-Aware Generation (CAG) 프레임워크를 통해 모델의 중간 추론 과정에 신뢰도 추정치를 추가하고, 최종 출력에서 신뢰할 수 있는 내용을 우선시하는 방법을 제시했어요.
CAG는 5개의 장문 사실성 벤치마크에서 사실성을 최대 13% 향상시키고 디코딩 시간을 최대 37% 단축하는 효과를 보였어요.