PatEx-Gym يعلّم وكلاء الذكاء الاصطناعي البحث عن السوابق في البراءات: 1 مليون براءة ونموذج بحجم 4B

يُعدّ فحص البراءات منذ وقت طويل من أصعب المهام على الذكاء الاصطناعي. فعلى الفحص أن يعثر على وثائق نادرة تنقض جِدّة الطلب، وأن يفعل ذلك وسط ملايين النصوص في مجالات تقنية مختلفة. وقدّم فريق يضم Qiyao Wang وXinyi Chen وHongbo Wang وJiayuan Lu وJianhang Li وMinghuan Tan وYuan Lin وMin Yang بيئة PatEx-Gym. وهي أول بيئة يقطع فيها الوكيل مسار الخبير كاملًا: البحث والقراءة والاستدلال ثم الخلاصة النهائية. تضم البيئة 1000 مهمة واقعية، ومجموعة وثائق تضم أكثر من 1 مليون براءة، و52 ألف ورقة علمية. أما الوكيل المرجعي PatEx-Agent فلا يتجاوز عدد معلماته 4 مليارات.

لماذا لم تعكس الاختبارات القديمة عمل الخبير

تمنح معظم الاختبارات الحالية النموذجَ مجموعة جاهزة ومحدودة من المرشحين، فتتحول المهمة إلى اختيار الأنسب مما عُرض عليه. أما الخبير الحقيقي فيعمل بشكل مختلف. فهو يصوغ استعلامًا، ويتصفح النتائج، ويفتح الوثائق، ويدرك أنه كان يبحث عن الشيء الخطأ، ثم يعيد صياغة البحث. وتُصاغ النتيجة في Office Action، وهو الخلاصة الرسمية التي يجب أن يستند فيها الحكم على الجِدّة إلى مصادر محددة.

ينقل PatEx-Gym هذا المنطق إلى بيئة تفاعلية. يستخدم الوكيل أدوات البحث، و«يدخل» إلى الوثائق، ويستدل، ثم يولّد الخلاصة في النهاية. ويصف المؤلفون المهمة بأنها long-horizon: فالخطأ في خطوة البحث المبكرة لا يمكن تصحيحه لاحقًا بنص نهائي منمّق.

مكوّنات PatEx-Gym

يجمع الإطار ثلاثة مكوّنات، ويقوم على أربعة عناصر أساسية:

• PatEx-Bench — اختبار معياري من 1000 مهمة خبراء واقعية، ومجموعتي بحث كبيرتين (أكثر من 1 مليون براءة و52 ألف ورقة علمية)، وبيئة قابلة للتنفيذ. تدعم البيئة البحث التكراري، وزيارة الوثائق، والاستدلال، وتوليد Office Action.
• PASS (Prior-Art Agentic Search Trajectory Synthesis) — طريقة لتوليد مسارات البحث التدريبية بشكل اصطناعي دون توسيم يدوي. تستخدم زيارات الوثائق إشارةً ضمنية إلى الصلة، ونقاطَ ارتكاز للحصول على الأدلة. وعلى هذه الإشارات تُنمذَج ثلاثة مستويات: سلوك الاستعلامات داخل الخطوة الواحدة، وتطور البحث بين الخطوات، وجودة الأدلة والنتيجة على امتداد المسار كاملًا.
• PatEx-SynData — مجموعة بيانات نتجت عن PASS من المسارات المنتقاة.
• PatEx-Agent — وكيل بحجم 4 مليارات معلمة، دُرّب بالضبط الدقيق الخاضع للإشراف (supervised fine-tuning) على هذه المسارات. ويقدّمه المؤلفون بوصفه نسخة أساسية خفيفة.

ويوضح نهج PASS كيف يمكن الاستغناء عن التوسيم اليدوي المكلف. فبدلًا من أن يُطلب من الخبراء وصف مسار البحث الصحيح، تأخذ الطريقة واقعة فتح الوكيل لوثائق بعينها، وتعدّها دليلًا على أنها كانت مفيدة.

ماذا أظهرت التجارب

يتعلق الاستنتاج الرئيسي بالمقاييس: فدقة القرار النهائي «الجِدّة موجودة أم لا» لا تعكس جودة الفحص. فقد يصل النموذج إلى حكم صحيح دون العثور على الوثائق الأساسية، ويكون مثل هذا الاستنتاج ضعيف الأساس من الناحية القانونية. لذلك لا يقيّم PatEx-Bench النتيجة وحدها، بل العملية نفسها، بما فيها اكتشاف حالة التقنية السابقة.

كان هذا الجزء الأصعب. فالبحث عن الوثائق النادرة ذات الصلة يظل مشكلة حتى بالنسبة إلى النماذج الرائدة (frontier) القوية. ومع ذلك، يُظهر PatEx-Agent بحجم 4B، بعد تدريبه على PatEx-SynData، نتيجة منافسة مقارنةً بوكلاء عامين أكبر منه بكثير، بحسب المؤلفين. وبالنسبة إلى مهمة مهنية ضيقة، يشكّل ذلك حجة لصالح النماذج الصغيرة المتخصصة.

ويرى المؤلفون أن فحص البراءات ميدان اختبار صارم للبحث القائم على الوكلاء ولوكلاء deep research. فالمهمة تجمع بين سلاسل طويلة من الإجراءات، وصلة غير واضحة المعالم، وضرورة توثيق الاستنتاجات.

من يستفيد من هذا الآن

نُشرت الشيفرة في المستودع AIforIP/PatEx-Gym، وتتوافر أيضًا صفحة للمشروع. وتحصل الفرق التي تبني وكلاء deep research أو محركات بحث في الأدبيات التقنية على منصة اختبار جاهزة تضم ألف مهمة ومجموعة وثائق كبيرة. ويمكن لمكاتب البراءات وشركات المحاماة استخدامها لمقارنة الأدوات ليس بحسب الحكم النهائي فحسب، بل بحسب الأدلة التي عثرت عليها أيضًا. أما بالنسبة إلى مطوّري النماذج، فتكمن القيمة في نهج PASS نفسه، إذ يبيّن كيف تُبنى بيانات التدريب للوكلاء من سجلات السلوك دون توسيم يدوي.