이 논문은 LLM의 신뢰성 있는 배치를 위해 입력 모호성에서 비롯된 우연적(aleatoric) 불확실성을 추정하는 새로운 접근을 제안한다. 기존 분해 방식은 입력에 대한 여러 해석(clarification)을 생성하고 각 해석마다 모델에 답변을 질의한 뒤 답변들을 비교하는 방식이었지만, 저자들은 답변 자체가 불필요하며 비용을 늘리고 인식적 불확실성이 새어 들어와 오도할 수 있다고 주장한다. 대신 답변 없이 그럴듯한 해석의 공간만으로 모호성 기반 불확실성을 직접 추정하는 '해석 전용' 방법을 제안했다. 3개 벤치마크의 모호성 탐지 평가에서 이 방법은 AUROC를 63.34로 개선(기존 60.85 대비)했고, 출력 토큰 기준 연산 비용을 4~26배, API 호출 수를 2.2~3.5배 줄이면서 인식적 불확실성과의 상관관계도 크게 낮췄다.

• •입력 모호성에서 비롯된 우연적 불확실성을 답변 없이 해석 공간만으로 추정하는 방법 제안
• •기존 방식은 여러 해석에 대한 모델 답변을 비교하지만, 답변이 인식적 불확실성을 섮어 오도할 수 있다고 지적
• •3개 벤치마크에서 AUROC 63.34로 개선(기존 60.85 대비)
• •출력 토큰 연산 비용 4~26배, API 호출 수 2.2~3.5배 절감하며 인식적 불확실성과의 상관관계도 감소