ИИтог

Патентное право ЕПВ заставляет детекторы ИИ-текста путать людей с нейросетями в 60, 80% случаев

исследованияРедакция ИИтогarXiv🔥80Рейтинг ИИтог · значимость 71 · 1000000/ч

Европейское патентное ведомство (ЕПВ) зафиксировало рекордное число заявок в 2025 году, а новые «Руководящие принципы ЕПВ 2026» возлагают на заявителей полную ответственность за контент, созданный с помощью больших языковых моделей (LLM), по статье 83 Европейской патентной конвенции и Правилу 42. Это создаёт давление: патентные ведомства и юридические фирмы хотят отсеивать заявки, написанные ИИ, чтобы не пропустить нарушения.

Авторы работы показывают, что задача сталкивается с двумя препятствиями. Во-первых, в реальной практике патентной экспертизы обычно доступны только потребительские видеокарты с примерно 8 ГБ видеопамяти, а не серверные вычислительные кластеры, на которых обучают и тестируют современные детекторы ИИ-текста. Во-вторых, и это главный вывод статьи, статья 84 Европейской патентной конвенции требует, чтобы пункты формулы изобретения были ясными и краткими. Это правило само толкает человеческое написание патентов в ту же зону низкой перплексии (predictability текста для языковой модели) и низкой «берстовости» (burstiness, неравномерности длины и сложности предложений), в которой и так находится текст, сгенерированный LLM. Иными словами, требование к ясности юридического языка делает стиль людей похожим на стиль нейросетей, не потому что люди используют ИИ, а потому что закон требует писать так же предсказуемо, как пишет LLM.

Чтобы проверить эффект, авторы прогнали три открытых детектора ИИ-текста с нулевым обучением (zero-shot), Binoculars, Fast-DetectGPT и DetectGPT, на 500 реально выданных патентах ЕПВ из телекоммуникационного класса H04 и на 500 сгенерированных нейросетью аналогах (пять разных стратегий подсказок для генерации), всё в рамках бюджета потребительского железа. На уровне отдельного пункта формулы изобретения все три детектора показали долю ложных срабатываний выше 60%: Binoculars, 78,3%, Fast-DetectGPT, 61,3%, DetectGPT, 80,5%. То есть детекторы в большинстве случаев ошибочно помечали текст живых изобретателей как написанный ИИ.

Авторы проверили, не связана ли проблема с недостаточной мощностью «модели-заменителя», на которую опираются детекторы, и провели несколько дополнительных проверок: регенерацию текста через модель Qwen2.5-3B-Instruct, дообученные с помощью LoRA скоринговые модели на базе Pythia-2.8B, повторение эксперимента на других классах патентов, химия (A61K), фармацевтика (C07D), ветрогенераторы (F03D), где средняя доля ложных срабатываний составила 84,6%, а также переоценку на мощных GPU H100 с уже опубликованными детекторами на базе Falcon-7B и GPT-J-6B. Во всех случаях проблема сохранилась, что говорит: дело не в слабости конкретной модели-детектора, а в структурном конфликте между требованиями патентного права и тем, как устроены детекторы ИИ-текста.

В качестве альтернативы авторы предложили логистическую регрессию на семи лингвистических признаках сложности текста, которая не использует оценку правдоподобия (перплексию) во время работы. Такой подход достиг точности 74,0% при доле ложных срабатываний 28,1%, это на 13 процентных пунктов лучше, чем детектор, основанный только на перплексии, при сопоставимой рабочей точке, и всё это в рамках того же бюджета потребительского железа.

Ключевые факты

  • Новые «Руководящие принципы ЕПВ 2026» возлагают на заявителей ответственность за LLM-контент по статье 83 Европейской патентной конвенции и Правилу 42, на фоне рекордного числа патентных заявок в 2025 году.
  • Статья 84 Европейской патентной конвенции требует ясности и краткости формулы изобретения, это толкает и людей, и LLM в одну и ту же зону низкой перплексии и низкой берстовости (неравномерности текста), делая их стиль похожим.
  • На 500 реальных патентах ЕПВ по телекому (класс H04) против 500 сгенерированных нейросетью аналогов три детектора, Binoculars, Fast-DetectGPT, DetectGPT, дали ложноположительный результат в 78,3%, 61,3% и 80,5% случаев соответственно на уровне отдельного пункта формулы.
  • Проблема сохраняется при регенерации текста через Qwen2.5-3B-Instruct, LoRA-дообученных детекторах на базе Pythia-2.8B, на других классах патентов (химия, фармацевтика, ветрогенераторы, средний FPR 84,6%) и при переоценке на GPU H100 с детекторами Falcon-7B и GPT-J-6B, то есть дело не в слабости модели-заменителя, а в структурной проблеме.
  • Альтернативный подход, логистическая регрессия на семи признаках лингвистической сложности без использования перплексии при инференсе, дал точность 74,0% при доле ложных срабатываний 28,1%, на 13 процентных пунктов лучше детектора, основанного только на перплексии, и в том же бюджете потребительского железа (около 8 ГБ видеопамяти).

Почему это важно

Исследование обнажает структурный, а не технический сбой: требование патентного права писать формулу изобретения ясно и кратко (статья 84 ЕПК) само по себе делает текст живого изобретателя статистически похожим на текст, сгенерированный языковой моделью. Это значит, что проблема не решается более мощной или новой моделью-детектором, она заложена в самой логике «низкая перплексия = подозрение на ИИ», применённой к юридическому языку, который и так обязан быть предсказуемым и лаконичным.

Кому это важно

В первую очередь, патентным поверенным, юридическим отделам компаний и самим изобретателям, чьи заявки в ЕПВ рискуют быть ошибочно помечены как написанные ИИ из-за новых правил 2026 года. Также это важно экспертам ЕПВ, которым приходится принимать решения по таким заявкам, и разработчикам инструментов детекции ИИ-текста, которым показывают предел применимости их подхода в специализированных юридических и технических текстах.

Как это применить

Авторы показывают, что готовые детекторы ИИ-текста (Binoculars, Fast-DetectGPT, DetectGPT) непригодны для триажа патентных заявок без доработки, при доле ложных срабатываний выше 60% их выводы нельзя использовать как основание для проверки. Предложенная альтернатива, простая логистическая регрессия на семи признаках лингвистической сложности текста, работающая без обращения к перплексии и в рамках бюджета потребительского GPU (~8 ГБ видеопамяти), даёт более сбалансированный результат и подходит как более практичный первый фильтр, требующий, впрочем, ручной проверки спорных случаев.

Можно ли доверять

Работа опубликована как препринт на arXiv, статус рецензирования не указан. Методология выглядит основательной: тестирование на 500 реальных выданных патентах против 500 сгенерированных аналогов, пять разных стратегий генерации текста нейросетью, проверка результата на нескольких независимых классах патентов (телеком, химия, фармацевтика, ветроэнергетика) и повторная оценка на другом оборудовании и с другими моделями-детекторами (Falcon-7B, GPT-J-6B), устойчивость эффекта во всех этих проверках повышает доверие к главному выводу.

Риски и подводные камни

Главный риск, ложные обвинения: живые изобретатели и патентные поверенные могут получить отказ или дополнительные требования из-за ошибочной пометки их текста как ИИ-сгенерированного, при том что доля ложных срабатываний превышает 60, 80%. Слепое доверие автоматическим детекторам при проверке патентных заявок по новым правилам ЕПВ способно создать системную несправедливость к добросовестным заявителям, пишущим ясно и по существу, то есть именно так, как и требует закон.