Questa tesi affronta il problema del rilevamento e della mitigazione delle allucinazioni nei modelli linguistici di grandi dimensioni. Partendo dalla baseline MALTO sviluppata per la competizione Mu\-SHROOM, proponiamo una pipeline a livello di token che opera esclusivamente in inferenza. L'approccio combina le probabilità prodotte da un modello di riferimento, punteggi di Natural Language Inference e controlli opzionali di fluenza o rigenerazione locale tramite un modello GPT-2 leggero. Ogni token riceve un punteggio di allucinazione e, se necessario, viene mascherato e rigenerato. La valutazione avviene sul set di validazione Mu\-SHROOM composto da 50 esempi, senza partizioni di training o validation. Confrontiamo tre varianti.