대규모 언어 모델(Large Language Models, LLMs)은 다양한 자연어 작업에서 강력한 성능을 달성했으나, 출력 결과가 사실 정보와 일치하지 않는 환각(hallucinations) 현상을 자주 겪습니다. 본 연구에서는 디코딩(decoding) 과정에 대한 포괄적인 레이어별(layer-wise) 분석을 수행하여, 환각이 더 깊은 디코더 레이어(decoder layers)에서 발생하는 경향이 있음을 밝혀냈습니다. 이 문제를 해결하기 위해, 우리는 환각을 생성하기 쉬운 레이어를 동적으로 건너뛰는 새로운 디코딩 프레임워크인 \textbf{DeLask} (\textbf{De}coder \textbf{La}yer \textbf{Sk}ipping)를 소개합니다. DeLask은 $L$-레이어 트랜스포머(Transformer)의 순전파(forward) 연산이 조건부로 $L$ 단계의 경사 하강법(gradient descent)과 동일하다는 이론적 통찰을 활용합니다. 우리는 연속적인 디코더 단계에서 유도된 그래디언트(gradients) 사이의 코사인 유사도(cosine similarity)를 계산하여 \emph{표류 값(driftance value)}을 정의하며, 하강 방향이 반전될 때 문제가 되는 레이어를 식별합니다. DeLask은 이러한 레이어를 완전히 버리는 대신, 해당 레이어의 은닉 상태(hidden states)를 이전 레이어들과 부분적으로 결합함으로써, 오류 신호를 억제하는 동시에 일관성을 유지합니다. 다양한 LLM 및 벤치마크에 걸친 광범위한 실험을 통해, DeLask이 일관되게 환각을 완화하고 전반적인 신뢰성을 향상시킨다는 것을 입증하였으며, 이는 대규모 언어 모델의 강건성(robustness)을 개선하기 위한 경량화되고 일반화 가능한 디코딩 프레임워크를 제공합니다.