本地跑模型时，最尴尬的不是它答错，而是它答得很像真的；若再请一个模型当裁判，又会挤占显存（GPU 上存放模型和运行状态的高速内存）。这项测试把神经网络裁判拿掉：让模型多答几次，在 CPU 上做固定的字符串清理，再用 Shannon entropy 衡量答案是否分叉。它借用了 Semantic Entropy 的思路——多次回答意思越不一致，模型越可能在猜——但省去了 NLI cross-encoder，也就是把两段文字一起送进另一个模型判断是否同义的步骤。
作者自述，这个零依赖 Python 指标每次仅需 1.3 微秒，且不占 GPU。实测中，Qwen 1.5B 的 AUROC（用于衡量检测区分能力的指标）约为 0.58，原因是小模型格式太不稳定；到 Mistral 7B，字符串方法达到 0.706，与 DeBERTa 检测器的 0.705 相当；Qwen 27B 升至约 0.89。但 120B 模型反而跌到 0.09，作者称之为“自信模式坍缩”：模型即使在幻觉，也可能稳定地重复同一种答案。换句话说，这种轻量检测对中大型模型很有吸引力，却不能把“回答一致”直接当成“回答正确”。