本文介绍 HALLMARK，一个用于诊断大语言模型（LLM）引文验证器故障模式的基准测试。研究背景是：LLM 已广泛用于撰写文献综述和学术写作，导致虚构引用（幻觉）风险增加。例如，GPTZero 在 NeurIPS 2025 接收论文中发现 53 篇存在幻觉引用。现有基于规则和 LLM 的验证器正在涌现，但缺乏统一的基准来比较它们并提供详细的故障诊断。为此，作者构建了 HALLMARK，包含 2,526 条 BibTeX 条目，覆盖 14 种幻觉类型、三个难度等级，每个条目有六个诊断子测试，并设有抗污染的分割集。在该基准上，作者评估了 DOI 查找基线、零样本前沿 LLM、工具增强代理以及作者自己设计的基于规则的协同验证器 bibtex-updater。基准测试的一致结果是：假阳性率（而非召回率）决定了验证器是否可部署。通过三个故障模式具体说明：1) 代理式查找提高了召回率但导致假阳性激增；2) 在现实发生的基率下，假阳性率数量级的差异（而非召回率）决定了验证器标记的结果是真正的命中还是噪声；3) 大多数 LLM 对其训练截止日期之后发表的论文过度标记，只有两个最新截止日期的模型能将假阳性率保持在接近分布内水平（作者仅描述这一现象，因为其与对这些条目的可能召回相混淆）。因此，假阳性率是部署瓶颈，但对于科学记录而言，未检测到的虚构仍然是代价更高的错误。本文主要贡献是提出了一个标准化基准，系统揭示了验证器的关键失效模式，适合研究 LLM 可靠性、学术诚信检测以及工具增强 NLP 系统的研究者阅读。