HALLMARK: Diagnosing Three Failure Modes in LLM Citation Verifiers

HALLMARK 将引用核验拆成三件事：文献是否真实存在、被引内容是否支持陈述、作者年份等元数据是否正确。基准共 4,200 个样本，包含正常引用和针对三类错误构造的困难负例；结果显示不少验证器会把“论文存在”误当成“论断得到支持”，因此检索命中率不能替代蕴含判断。