知识卡片：从发明人披露到完整专利申请：Dis2Pat基准与Patent-MAF框架

一句话结论

现有大语言模型（LLM）在专利起草的单个子任务上虽有进展，但在“直接根据早期、非正式、去法律化的发明人披露，生成完整且法律连贯的专利申请”这一现实核心任务上仍明显不足；本文提出 Dis2Pat 数据集与 Patent-MAF 多智能体框架，后者在评测中持续优于开源模型，并与大型闭源模型保持竞争力。

事件概述或研究问题

• 真实专利工作流通常始于发明人撰写的非正式、去法律化披露，而以往研究大多假设输入已经处于后期、高度结构化甚至法律化阶段。
• 现有 LLM 主要被用于专利起草中的个别任务，缺少对完整申请生成这一核心挑战的系统评测。
• 为弥合这一差距，作者引入 Dis2Pat（disclosure-to-patent）数据集，要求模型直接从发明人风格的披露生成完整专利申请。

方法/产品要点

• Dis2Pat：反映真实专利工作流的“披露到专利”数据集，输入为发明人风格的非正式披露，输出为完整专利申请。
• Patent-MAF：一个多智能体（multi-agent）框架，面向本地可部署（locally deployable）的专利起草，以应对长文本、法律约束和强隐私需求。
• 具体智能体角色、协作方式、数据规模、评估指标等细节，原文摘要未提供，待核实。

主要结果或产业意义

• 基准评测显示，当前 LLM 在完整专利起草任务上存在明显局限。
• Patent-MAF 作为强基线，一致优于所评测的开源模型，并与大型闭源模型表现相当。
• 产业意义：为隐私敏感场景下使用本地化模型辅助专利起草提供了可行路径；同时为“披露到专利”的自动化评测建立了基准。

为什么重要

• 本研究聚焦于从早期发明人披露到完整专利申请的端到端生成，比以往假设后期、结构化输入的研究更贴近真实专利撰写流程。
• 增量信息在于：明确指出现有专利起草评测忽略了“披露到专利”这一现实缺口，并通过多智能体本地部署方案验证了在隐私约束下逼近大型闭源模型的可能性。
• 与已有“从诊断到修正”类卡片类似，本文同样是针对真实任务构建基准并提出改进框架，但领域从表格解析转向专利起草。

局限与不确定性

• 原文摘要未提供数据集规模、专利类型/法域、自动评估指标、与人类专家撰写质量对比等细节，均待核实。
• “法律连贯”如何自动判定，以及生成文本能否满足专利局实质审查要求，待核实。
• Patent-MAF 与闭源模型对比时具体使用哪些模型、差距幅度、推理成本等，待核实。

可用于图书/PPT/简报的角度

• 企业专利流程数字化：展示 AI 如何从发明人交底书直接生成申请初稿。
• 隐私合规：敏感专利数据不出本地的多智能体框架设计。
• 评测方法论：用现实任务基准暴露 LLM 在长文本、法律约束任务上的短板。
• 多智能体协作：将专利起草拆解为多个子任务，由多个 Agent 协作完成。

英文标题与关键词

• English Title: Benchmarking Patent Drafting from Inventor-Style Disclosures
• Keywords: patent drafting; LLM; multi-agent; disclosure-to-patent; benchmark

原始材料

• arXiv ID: 2608.21249v1
• URL: https://arxiv.org/abs/2608.21249v1
• PDF: https://arxiv.org/pdf/2608.21249v1
• 作者：Lekang Jiang, Wenjun Sun, Stephan Goetz
• 发布时间：2026-08-21
• 类别：cs.CL