Can Large Language Models Generate High-quality Patent Claims?

本文构建了一个数据集，以研究当前大型语言模型（LLMs）在专利权利要求书生成中的表现。研究结果表明，基于专利说明书生成权利要求书的效果优于先前依赖于摘要的研究。有趣的是，当前专利特定的LLMs的表现远远不如最先进的通用LLMs，突显了未来研究领域内LLMs的必要性。我们还发现，LLMs可以生成高质量的第一独立权利要求书，但对于后续的从属权利要求书，它们的表现显著降低。此外，微调可以增强发明的特征完整性、概念清晰度和特征链接。在测试的LLMs中，GPT-4在专利专家的全面人工评估中表现最佳，具有更好的特征覆盖、概念清晰度和技术连贯性。尽管具有这些能力，全面的修订和修改仍然是必要的，以通过严格的专利审查并确保法律的坚固性。

本论文旨在探究当前大语言模型在专利领域中声明生成任务上的表现，以及验证专利描述对于生成声明的影响。同时，本论文也试图探究当前专利领域特定的大语言模型与通用大语言模型的表现差异。

本论文构建了一个数据集，用于评估当前大语言模型在专利声明生成任务上的表现。结果表明，基于专利描述生成声明的表现优于以往基于摘要的研究。同时，当前专利领域特定的大语言模型表现远不如通用大语言模型，这也凸显了未来专门针对专利领域的大语言模型的研究的必要性。此外，本论文还发现，大语言模型可以生成高质量的第一独立权利要求书，但对于后续的从属权利要求书，性能显著下降。微调可以增强发明特征的完整性、概念清晰度和特征链接。在测试的大语言模型中，GPT-4在专利专家的综合人工评估中表现最佳，具有更好的特征覆盖、概念清晰度和技术连贯性。

本论文构建了一个专门用于评估大语言模型在专利声明生成任务上表现的数据集。实验结果表明，基于专利描述生成声明的表现优于以往基于摘要的研究。同时，本论文还发现，大语言模型可以生成高质量的第一独立权利要求书，但对于后续的从属权利要求书，性能显著下降。在测试的大语言模型中，GPT-4在专利专家的综合人工评估中表现最佳。论文还提出了未来专门针对专利领域的大语言模型研究的必要性。

近期的相关研究包括《A Survey of Patent Generation》、《Patent Claim Generation using Machine Learning: A Survey》等。