HalluHard：一个困难的多轮幻觉基准

大语言模型（LLM）仍会产生听起来可信却无依据的事实性断言，这一问题在多轮对话中随上下文增长与早期错误级联而加剧。我们提出 HalluHard，一个困难的多轮幻觉基准，包含950个种子问题，覆盖四个高风险领域：法律案例、研究问题、医疗指南与编程。我们通过要求对事实性断言提供行内引用来操作化“有据性”。为在开放式环境中支持可靠评估，我们提出一个通过网页搜索迭代检索证据的评审流水线。它能够抓取、过滤并解析全文来源（包括 PDF），以评估被引材料是否真正支持所生成内容。在多样的前沿专有与开源权重模型上，即使使用网页搜索，幻觉仍然可观（最强配置 Opus-4.5 加网页搜索约为30%），内容内容依据关联错误持续保持高比率。最后，我们表明幻觉行为受模型容量、轮次位置、有效推理以及所需知识类型的影响。