研究者发布HALLMARK幻觉引用验证基准

研究者发布 HALLMARK 基准，用于评测 LLM 引用验证器。该基准含 2,526 条 BibTeX 条目，覆盖 14 种幻觉类型，并配有按类型和诊断子测试的标签，以及时间、跨领域和真实场景的评测划分。 测试显示，各模型的假阳性率相差一个数量级；引入 agentic 查找可提升召回，但会推高假阳性率，而两阶段级联配合 bibtex-updater 可避免这一膨胀。 作者指出，由于“何为幻觉”尚无统一定义，重新打分后验证器的排名会发生变化，因此呼吁社区统一定义，并发布按类型标签与重打分协议。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。