Wikipedia와 Wikidata는 정보 접근, LLM (Large Language Model) 사전 학습, 그리고 검색 증강 생성 (RAG, Retrieval-Augmented Generation)을 위해 널리 사용됩니다. 이들의 지식은 깊게 연결되어 있지만 텍스트, 테이블, 그리고 지식 그래프 (KG, Knowledge Graphs)에 흩어져 있습니다. 이는 실질적인 질문을 던집니다: 이러한 모달리티 (modalities)가 서로 일치하지 않을 때, 어떻게 그 충돌을 탐지하고 설명할 수 있을까요? 우리는 이 문제를 extit{모달리티 수준의 불일치 탐지 (modality-level inconsistency detection)}로 연구합니다. 먼저 우리는 정보의 입도 (granularity) 차이, 직접적인 충돌, 시간적 변화, 그리고 KG의 불완전성을 포괄하는 교차 모달 지식 불일치의 분류 체계 (taxonomy)를 도입합니다. 그런 다음, 우리는 Text-to-SPARQL과 LLM 추론을 사용하여 테이블 기반의 답변을 KG 증거와 비교하고 결과로 나타나는 불일치를 분류하는 자동화된 프레임워크인 extsc{Kontrast}를 제시합니다. 다양한 Table-QA 데이터셋에 대한 실험은 교차 모달 불일치가 흔하며 유익한 정보를 제공한다는 것을 보여줍니다. 이러한 불일치는 실제 지식 충돌뿐만 아니라 누락된 KG 구조와 시간적 불일치도 드러내지만, Text-to-SPARQL 오류와 노이즈에 의해 제한을 받기도 합니다. 우리의 분석은 텍스트, 테이블, 그리고 KG가 체계적인 비교를 통해 서로를 보완하고 수정할 수 있음을 보여줍니다. extsc{Kontrast}는 대규모 지식 감사 (knowledge auditing)를 위한 실질적인 도구를 제공하며, 교차 모달 지식 일관성에 관한 향후 연구를 위한 벤치마크를 구축합니다. 코드와 데이터는 https://github.com/ECLADATTA/KONTRAST 에서 확인할 수 있습니다.