文章总结与翻译一、主要内容本文聚焦大型语言模型（LLMs）在引文推荐任务中的幻觉问题与记忆机制，核心探究引文频率（作为预训练数据冗余度的代理指标）对模型生成文献记录准确性的影响。通过使用GPT-4.1在计算机科学20个领域生成100条引文记录，并结合人工验证与余弦相似度计算的混合评估方法，得出三大关键发现：引文数量与事实准确性呈强相关性，高引论文的生成准确率显著高于低引论文；存在记忆阈值效应：引文数超过约1000次（具体为1248次）时，模型会近乎逐字记忆文献元数据；引文数达到90次左右时，模型开始从概率合成转向记忆主导的生成模式；高引论文若存在标题或作者列表相似性，会引发记忆干扰，导致模型融合不同文献的元数据生成虚构引文。此外，研究还发现模型对文献元数据的记忆存在层级结构：标题和第一作者名优先被记忆，而期刊名、卷期页码等数值信息更易出错；幻觉与记忆并非对立现象，而是同一概率学习过程的两面，均由预训练语料中知识的分布密度决定。二、创新点首次明确将引文频率作为预训练数据冗余度的代理指标，系统验证其与LLMs引文生成准确性的量化关系，揭示了“低引易幻觉、高引易记忆”的核心规律；识别出LLMs引文记忆的双阈值（90次过渡阈值、1248次饱和阈值），阐明了模型从概率合成到逐字记忆的两阶段演进过程；发现高引文献间的记忆干扰现象，补充了对LLMs记忆机制的理解——即使超过记忆阈值，相似高引文献仍可能导致元数据混淆；采用“人工