研究：LLM 反复生成的假名已污染学术数据库

三星与华沙大学的研究人员发表预印本论文，揭示了一个有趣且令人担忧的现象：主流大语言模型在生成「专家」时，会反复使用同一批并不存在的姓名，而这些人名已经污染了多个学术数据库，包括 CERN 运营的 Zenodo 仓库。

研究发现：LLM 的「命名偏好」

论文题为《The Ghost Couple: Correlated LLM Name Priors and Their Haunting of the Web and Academic Publishing》，指出 ChatGPT、Gemini、Claude 等模型在虚构专家时存在高度趋同的命名模式。例如，模型在生成虚构小说角色时常使用「Elias Thorne」，而要求其生成软件开发者则常得到「Marcus Chen」。

研究团队进一步发现，模型不仅会重复单个姓名，还会产生「关联角色群」，即某些名字倾向于一同出现。除上述名字外，Claude 偏好使用「Elena Amara Okafor」，Gemini 偏好「Aris Thorne」与「Lena Petrova」，ChatGPT 则常生成「Elara Voss」。

污染规模：1655 条幽灵记录

最受关注的名字之一是「Elena Vasquez」。此前 404 Media 曾报道的 Research Gold 公司即以该名作为「首席方法学家」，其所谓「人工医学研究」实为 AI 生成。研究论文显示，团队在 Zenodo 上识别出 1,655 条由这些幽灵作者署名的记录，它们声称发表在不存在的期刊上，出版日期也被伪造。

更严重的是，这些记录都带有真实可用的 DataCite DOI，能够被任何学术聚合器收割。研究团队在 ResearchGate 上也发现了由这些名字组成的「合成研究小组」，成员来自多个模型家族的命名偏好，并被 Google Scholar、Semantic Scholar 无验证地收录索引。研究人员写道：「大规模污染学术记录的基础设施已经就位，学术档案正在被悄悄纠缠。」

溯源可能与局限

研究人员认为，不同模型及版本生成特定名字的一致性足够高，因此有望据此判断一段 AI 内容的来源模型。例如，「Elena Vasquez」在 Claude Sonnet 4 生成的内容中尤为常见，因此署名她的论文大概率由该模型生成。

论文第一作者 Michał Brzozowski 同时指出，这一溯源方法的准确性可能难以持久——因为由这些名字生成的 AI 内容正大量涌入互联网，反过来又成为所有模型训练数据的来源，形成反馈循环，使名字与模型的关联逐渐模糊。

学术出版体系的连锁挑战

学术出版领域早已在应对 AI 内容的冲击：科学期刊曾发表 AI 生成文本，AI 也正在影响同行评审流程，预印本平台 arxiv 已宣布对提交 AI 生成作品的作者实施一年封禁。这项研究的新意在于，它提供了一种可量化的、基于「命名指纹」的检测路径，有望帮助期刊、平台与搜索引擎识别低质量 AI 生成内容，也为判断一段文本究竟来自哪一代、哪一款模型提供了新的间接线索。