專利大模型的實踐與問答探索

#專利大模型的實踐與問答探索專利大模型介紹訓(xùn)練過程專利檢索+專利大模型挑戰(zhàn)和展望目錄#01專利大模型智慧芽垂直領(lǐng)域大模型Leading

Algorithm

Capabilities…AI專家檢索AI-powered

ExpertRetrieval自動生成檢索式

AutomaticallyGenerateSearch

ExpressionsAI技術(shù)問答

Conversational

Answers

toTechnical

QuestionsPharm

GPT內(nèi)容生成

ContentGeneration算法能力Patent

GPT精準(zhǔn)檢索和專業(yè)推薦

Precision

Search

andProfessional

RecommendationMaterials

GPT對話問答 多語言翻譯Dialogue

MultilingualQ&A

Translation總結(jié)分析

Summarizeand

Analyze基于領(lǐng)域?qū)＜曳答伒膹娀瘜W(xué)習(xí)

Reinforcement

Learning

withExpert

Feedback監(jiān)督精調(diào)

SupervisedFine-tuningRAG檢索增強生成

Retrieval-AugmentedGenerationAI標(biāo)引

AutomaticIndexing藥物情報助手

Drug

SearchAssistant自研大模型Self-developedlarge-scale

modelAI助手AI

AssistantAI技術(shù)預(yù)研

AI專利對比AI-powered

Technical

AI-powered

TechnicalPre-research Pre-researchAI專利和論文解讀AI-powered

Interpretationof

Patent

and

Papers垂直數(shù)據(jù)基石

Patsnap

Data

sets專利

Patent生物序列

Bio

Sequences文獻

Literature新聞

News書籍

Books化學(xué)結(jié)構(gòu)

Chemical

Structures適應(yīng)癥

Indication藥物

Drug靶點

Target論文

Papers材料性質(zhì)

Material

PropertyAI繳費

AssistedPaying實踐的一些經(jīng)驗：有差異化的海量數(shù)據(jù)有小模型+大模型大模型:CPT+SFT+Reward+PPO(DPO)應(yīng)用場景數(shù)據(jù)提取產(chǎn)品場景RAG在SAAS行業(yè)是必要的組合飛輪算法LLM

Algorithm數(shù)據(jù)基石Data數(shù)十個小模型Bert

Based

models芽仔專利申請書撰寫助手

Assisted

PatentDrafting#02專利大模型訓(xùn)練領(lǐng)域數(shù)據(jù)（專利論文等246B

tokens

)專利大模型：三個版本，不斷試錯PatentGPT①

差異化數(shù)據(jù)集Patent

GPT：超246B訓(xùn)練數(shù)據(jù)，包括全球170個受理局的超1.8億專利、超1.6億論文、超2100萬新聞、超50萬投融資、超1.1億企業(yè)、超78萬市場報告以及40萬本書籍?dāng)?shù)據(jù)。②

算法面向業(yè)務(wù)大小模型結(jié)合：結(jié)合智慧芽沉淀的幾十種小模型算法能力，數(shù)據(jù)處理+SFT數(shù)據(jù)挖掘+小模型的監(jiān)督數(shù)據(jù)；數(shù)據(jù)配方：基于垂直大模型的應(yīng)用場景建立獨特的數(shù)據(jù)配方；基于領(lǐng)域?qū)＜曳答伒膹娀瘜W(xué)習(xí)：擁有超過50位知識產(chǎn)權(quán)和生物醫(yī)藥專家，反饋2萬條訓(xùn)練效果數(shù)據(jù)，與人類意圖保持一致；RAG檢索增強生成：RAG技術(shù)加強大模型理解能力，結(jié)合知識庫，更好理解企業(yè)私有數(shù)據(jù)，實現(xiàn)問答能力的拓展。（專利搜索）③

只比垂直業(yè)務(wù)能力，不比通用能力垂直行業(yè)能力超越ChatGPT-3.5，部分超越

ChatGPT-4；專利撰寫、專利對比、專利搜索。PatentGPT通過中國專利代理師資格考試Model

Training

eGPT-3

Apr/2020TFLnd

Chip

type (V100OP/smax)

Chip

cou130

10,00Wall

clocknt (0

15time

Totaldays)

(ydays

405timeears)

Cost

($US)years

$9MLlama

1

Jan/2023A100312

2,048

21days

118years

$4MLlama

2

Jun/2023GPT-4

Aug/2022A100A100312

2,04312

25,008

350

95days

196days

6,507years

$7Myears

$224MGemini

Nov/2023TPUv4275

57,000

100days

15,616years

$440MBase

ModelParamsC

o

n

t

e

x

tLengthTokensLRPatentGPT-0.5LLAMA213

B16

k246

B2

10-5PatentGPT-1.0LLAMA270B4

k246

B2

10-5PatentGPT-1.5Mistral

8

7B45

B16

k246

B3

10-5CPT+SFT+Reward+DPO(PPO)專利大模型:數(shù)據(jù)Data

sizeData

recipeDatasets

for

LargeLanguageModels:

A

Comprehensive

SurveyPatentGPT的數(shù)據(jù)配比/guides/large-language-models#model-size-and-performance專利大模型：算法是一系列模型大小模型結(jié)合：結(jié)合智慧芽沉淀的 幾十種小模型算法能力，在精度， 性能，穩(wěn)定性，安全，長文本上發(fā) 揮更大優(yōu)勢；獨特數(shù)據(jù)配方和策略：基于垂直大 模型的應(yīng)用場景建立獨特的數(shù)據(jù)配 方；基于領(lǐng)域?qū)＜曳答伒膹娀瘜W(xué)習(xí)：擁有超過50位知識產(chǎn)權(quán)專家,2w條專家撰寫的反饋數(shù)據(jù)。形成2w

SFT和10w條人類偏好數(shù)據(jù)。RAG檢索增強生成：R

for

G;Gfor

R;獨立的業(yè)務(wù)Embedding（非對稱，X關(guān)系對比學(xué)習(xí)等）b)a)c)d)b)SFT：InstructionTuning

unlock

pretrain

model三類數(shù)據(jù)數(shù)量:Double

descent

phenomenon融合到pretrain去預(yù)學(xué)習(xí)（

OPT-IML）Multi-stage

Instruction

Tuning/

weighted質(zhì)量(quality)Perplexity

score？正確性，gpt4-score？）多樣性(diversity)（前兩者的組合增加指標(biāo)和LOSS選擇參考：INSTRUCTION

MINING:INSTRUCTION

DATA

SELEC-TION

FOR

TUNING

LARGE

LANGUAGE

MODELS訓(xùn)練策略數(shù)據(jù)三核心專利大模型：評估MMLUC-EvalAveragePatentGPT-0.5514548PatentGPT-1.0614653.5PatentGPT-1.5595255.5ChatGPT-3.5-turbo664756.5通用能力是否正常：MMLU，C-EVAL專利領(lǐng)域公開測試集:Patent-Match@misc{ni2024mozip,title={MoZIP:

A

Multilingual

Benchmark

to

Evaluate

Large

Language

Models

in

Intellectual

Property},author={Shiwen

Ni

and

Minghuan

Tan

and

Yuelin

Bai

etc}year={2024},eprint={2402.16389},archivePrefix={arXiv},primaryClass={cs.CL}}*PatentGPT

1.5

SFT還有一些問題。PatentMatch-ENPatentMatch-ZHAverageChatGPT-3.5

turbo34.64338.8PatentGPT

0.549.559.254.4PatentGPT

1.066.27269.1PatentGPT

1.570.665.865.7專利領(lǐng)域自建測試集（面向業(yè)務(wù)）:Patent-Bench專利撰寫(Drafting)、專利總結(jié)(Summary)、專利問答(QA)（PatentGPT

vs

GPT3.5-turbo,

GPT-4

evaluate)專利抽取：抗體輕重鏈提取+抗原配對信息抗原：BAFF配對抗體信息：輕鏈重鏈SEQ

IDNo.1SEQ

IDNo.2CN101851291B

一種抗人BAFF單克隆抗體的重鏈和輕鏈可變區(qū)[0017]所述的輕鏈可變區(qū)的氨基酸序列如SEQ

ID

NO.1所示，重鏈可變區(qū)的氨基酸序列如SEQ

ID

NO.2所示。[0018]所述的編碼輕鏈可變區(qū)的基因序列如SEQIDNO.3所示，編碼重鏈可變區(qū)的基因序列如SEQ

ID

NO.4所示。[0019]抗人BAFF單克隆抗體的重鏈和輕鏈的可變區(qū)應(yīng)用于以人BAFF分子為靶點的基因工程抗體或疫苗的制備。質(zhì)量+后處理圈定專利+標(biāo)注平臺搭建人工（400+人天）5個月“LLM加速”LLM+規(guī)則4人天完成，取代大量人工標(biāo)注“傳統(tǒng)方法”4人天提取2萬組抗體，準(zhǔn)確率>99%，較人工效率提升100倍示例文本：輸出結(jié)果PatentBert+FineTuning圈定專利+標(biāo)注平臺搭建人工標(biāo)注（100+人天）2個月“小模型方法”技術(shù)方案對比：抗體抗原實驗結(jié)果實驗結(jié)論含有海量領(lǐng)域知識，對解決問題，更加符合“業(yè)務(wù)”Finetune之后可以取得可觀的下游任務(wù)性能提升，但多任務(wù)的“配方指令”數(shù)據(jù)是挑戰(zhàn)。在少監(jiān)督數(shù)據(jù)下，多元關(guān)系抽取，傳統(tǒng)模型很難取得好的結(jié)果,PatentGPT有明顯的優(yōu)勢目前階段，模型規(guī)模比模型架構(gòu)更加重要(scaling

law）PRF1PRF1PRF1抗體輕重鏈配對51.8%53.7%52.7%93.7%73.3%82.2%95.5%69.5%80.4%抗原名稱提取54.9%78.3%64.5%78.6%85%81.6%90.4%85%87.6%抗體-抗原關(guān)系提取53.4%52.5%53.1%79.8%62.5%70.1%90.2%65.7%76%Bert

BasedOpenAI

GPT3.5

zeroshot（1750億參數(shù)）PatentGPT

v0.3（130億參數(shù)）#03專利搜索與大模型結(jié)合為什么要RAG（Retrieval

Augmented

generation）模型層面減少幻覺解決更新信息的問題少量高價值數(shù)據(jù)的利用問題業(yè)務(wù)層面獲取更可信正確的結(jié)果有引用鏈接，提高可解釋性獲取新增領(lǐng)域信息解決產(chǎn)品迭代RAG架構(gòu)：Retrieval-Augmented

Generation

for

Large

Language

Models以前的搜索積累是否可以用？要做哪些改變關(guān)鍵詞抽取算法的優(yōu)化，PositionRank、Copyrnn、NER、POS

Rules.(可以重新做）對比學(xué)習(xí)，樣本量的突破（10w->1000w） IPC/CPC分類算法的優(yōu)化，TextCNN，BERT

classify；（標(biāo)量向量相結(jié)合的平臺）Pretrain:

PatentBertModel

ParameterTotal

sizeH=768,

L=12,A=12110MH=768,

L=12,A=12Patent_BERT_CN

(our)Patent_BERT_EN_Uncased_v2.0

(our)Pa