困惑度陷阱：专利法使人写作看起来如同AI生成

# 困惑度陷阱：当专利法让人写的内容看起来像AI生成时 来源：https://arxiv.org/html/2607.13044

###### 摘要

欧洲专利局报告称，2025年申请量创纪录地达到200000件¹，而2026年《欧洲专利局指南》根据第83条和第42条，要求申请人对任何LLM辅助内容承担严格责任；这两项因素共同对专利审查产生了巨大的操作压力，并催生了近期需求，即需要一种能在审查员审查前标记疑似人工智能生成文本的自动化解决方案。然而，存在两大挑战：首先，专利局、知识产权律师事务所和中小企业研发部门的实际基础设施通常是一块消费级GPU，而非运行现有AI文本检测器（如DetectGPT、Fast-DetectGPT、Binoculars和GPTZero）所需的A100级服务器。其次，《欧洲专利公约》第84条的结构性约束在法律上要求专利权利要求“清晰简洁”，这迫使人类撰写的权利要求也落入LLM默认生成的低困惑度、低突发性流形中。我们在一个由500件已授权的EPO H04电信类专利和500件LLM生成的对应专利（采用五种不同的提示策略）构成的平衡语料库上，对三个开源检测器进行了基准测试，所有测试均在消费级硬件条件下进行。在权利要求层面的粒度上，每个检测器的误报率均超过60%（Binoculars为78.3%，Fast-DetectGPT为61.3%，DetectGPT为80.5%）；即使将AI侧文本改用Qwen2.5-3B-Instruct重新生成，或将评分头替换为经EPO语料库LoRA适配的Pythia-2.8B模型，该失败依然存在。跨IPC类别扩展到A61K（药品）、C07D（杂环化学）和F03D（风力发动机），并在NVIDIA H100 80 GB GPU上使用最初发布的Falcon-7B / GPT-J-6B评分栈进行头部恢复重新评估，证实了两点：三个词汇正交的IPC类别表现出相同的结构模式（平均检测器FPR为84.6%），从而将失败与任何关于替代头容量的担忧解耦。最后，一个基于七个似然正交的语言复杂度特征（类型-标记比、罕用词比、依存深度、Flesch-Kincaid年级水平、从句比、名词短语密度、句长方差）的逻辑回归分类器，在FPR为28.1%时达到74.0%的准确率——在可比FPR下，比仅基于困惑度的基线绝对提升了13个百分点——且在任何阶段均未使用似然信息，并保持在相同的硬件预算内。该解决方案适用于专利文本，并且基于当前证据，是唯一能在《欧洲专利公约》第84条与部署基础设施的共同约束下存活下来的方案。

人工智能、伦理、可解释启发式、专利法

## 1 引言

欧洲专利局报告称，2025年申请量创纪录地达到200000件——这是EPO历史上最高的年度申请量。2026年EPO指南同时颁布了“人即是锚”原则（Best，2026），根据第83条（充分公开）和第42条，要求申请人对任何LLM辅助内容承担严格责任，无论该文本是由哪种起草工具生成的。审查员人数基本固定。因此计算很简单：更多的LLM辅助申请，同样数量的人工评估员，以及一个惩罚未披露AI生成内容的法律体系。因此，专利局、知识产权律师事务所和企业研发部门需要一种解决方案，能够标记疑似LLM撰写的公开内容，供人类审查员进一步审查——这本身不是作为法律证据，而是作为一个候选列表，让稀缺的审查员时间能够优先用于最高风险的申请。

关于机器学习辅助研发和发明公开的面向从业者的评论，往往领先于受控基准测试。普通读者对“听起来像AI”的启发式判断本身就存在偏差且不稳定（Jakesch等，2023），而最近的证据表明，习惯性使用LLM辅助的作者可以在受控识别任务中超越通用自动化分类器（Russell等，2025）；这些观察结果共同强调，解决方案应提供结构化线索供专家审查，而不是用不透明的分数替代审查员的判断。

解决方案的自然候选者是已发布的零样本AI文本检测器——DetectGPT（Mitchell等，2023）、Fast-DetectGPT（Bao等，2023）、Binoculars（Hans等，2024）、GPTZero，以及最近的DivScore（Chen等，2025）——而我们这篇论文的主要论点是，它们并未按预期方式工作。以下两个基本约束说明了原因。

#### 基础设施部署约束。

虽然这些检测器是模型无关的，但重现它们最强经验性能需要使用中型到大型LLM（例如，6B–13B参数）进行实例化。这导致了大量的内存和计算开销——尤其是DetectGPT（多次前向传播）和Binoculars（双模型推理）——使其在消费级GPU（例如，8GB VRAM）上不切实际。专利局、知识产权律师事务所和中小企业研发部门通常不拥有这种规模的云计算基础设施；专利审查的现实部署前沿通常是一块或多块低VRAM的消费级GPU，最初发布的评分头无法在其上运行。因此，任何对这些检测器作为专利审查工具的诚实评估，都必须使用反映现实部署条件的替代品（GPT-2-medium、GPT-Neo-1.3B、T5-small），并围绕这一约束构建我们的分析。然而，为了论证的完整性，我们也在附录B中报告了在NVIDIA H100 80 GB GPU上使用更大原始模型实例化（Falcon-7B / GPT-J-6B）的结果；头部恢复的重新评估并未帮助三个检测器中的任何一个反驳我们的论点，反而证实了头部替代并非其操作性不可用性能的主要驱动因素。

#### 普遍性约束。

《欧洲专利公约》第84条在法律上要求权利要求“清晰简洁”，专利从业者通过使用少量受控词汇和重复的前序结构来遵循这一要求。结果是，人类撰写文本的风格由外部规则而非自由作者选择决定，其令牌级统计特征——低困惑度、低突发性²——已经与LLM默认生成的相匹配。如果这一结构特性可以归因于检测器的失败，那么该失败应能在所有不同技术领域的专利中观察到，而不仅仅是单一领域。为了证实这一点，我们通过收集来自完全不同技术领域（A61K药品、C07D杂环化学、F03D风力发动机）的专利，创建了一个新的专利数据库。检测器在这个异构专利数据库上的表现³证实，失败并非来自单一技术领域的专利。

#### 贡献。

- • **现实部署条件下的检测器失败。** 我们仅使用专利局和知识产权律所实际可以部署的消费级评分头（≤8GB VRAM），在500对500的EPO H04语料库上对三个开源零样本检测器及DivScore进行了基准测试，并量化了跨越我们测试的每个检测器的结构性误报风险。
- • **结构性失败，而非单类别失败。** 该失败在使用不同LLM族重新生成AI侧文本、对评分头进行EPO权利要求语料库的LoRA适配，以及用DivScore替换检测器后仍然存在——证据表明，该失败是注册约束下的专利文本的结构性属性。跨IPC类别扩展到A61K（药品）、C07D（杂环化学）和F03D（风力发动机）的结果在附录D中报告，在NVIDIA H100 80 GB GPU上使用最初发布的Falcon-7B / GPT-J-6B评分头的H100级恢复结果在附录B中报告；两者都证实而非撤销了结构性解读：三个词汇正交的IPC类别表现出相同的结构模式（平均FPR 84.6%），而头部恢复的重新评估产生了三种不同的校准机制，但没有可部署的行。
- • **相同硬件预算内的离轴分类器。** 七个似然正交的语言复杂度特征在一个逻辑回归中恢复了大部分丢失的准确率（在可比FPR下，相对困惑度绝对提升13个百分点），完全在消费级GPU范围内运行，并提供了一个与专家对齐的词汇表，与2026年EPO指南现在强制要求的人机交互框架相匹配。

本文结构如下。第2节将贡献置于现有AI文本检测文献的背景下。第3节形式化了专利语料库上的注册约束条件。第4节描述了语料库。第5节展示了检测器基准测试。第6节总结了实验所证实和未证实的内容以及可能的后续步骤，关键缩写包含在附录A中。

## 2 相关工作

#### 基于似然的零样本检测作为一个类别。

当前一代零样本AI文本检测器——包括本文基准测试的方法——构成单一的方法论谱系。虽然它们测试统计量的函数形式不同，但依赖于完全相同的基础信号。DetectGPT（Mitchell等，2023）阈值化LLM对数概率表面的局部曲率；Fast-DetectGPT（Bao等，2023）通过条件令牌采样有效地近似这种曲率；Binoculars（Hans等，2024）计算两个不同模型之间困惑度的归一化比率；而商业API普遍阈值化原始或归一化的困惑度。共同的基波假设是，当由通用LLM评分头评估时，人类撰写的文本会留下可检测的低概率特征，无论是直接测量（困惑度）还是间接测量（曲率、比率）。这一假设在标准对话、新闻和学术散文基准测试中成立（He等，2024），在这些场景中，作者选择不受约束，令牌似然性与风格自然性呈负相关。我们的工作评估了这一假设的关键边界条件：我们隔离了一种注册，其中外部句法约束在数学上迫使人类写作进入与AI生成相同的高概率空间，并测量了由此导致的检测信号崩溃。

#### 领域特定失败作为假设被打破的证据。

最近有几篇论文报告了在特定领域的部分检测器失败。（Liang等，2023）证明GPT检测器不成比例地误分类非英语母语者的写作，将效应归因于非母语散文中较低的词汇和句法困惑度。（Barrot和Aranda，2025）报告了商业API在混合和模板化文本上的灾难性精度下降。与法律、医学和新闻工作流程无关，一些研究对在高风险专业散文中部署自动作者身份筛查提出了平行警告（Mudipalli等，2025）。DivScore（Chen等，2025）是最直接的相关工作：它测量了基于似然的检测器在法律和医学文本上的性能，并提出了一个归一化似然比，在这些领域中恢复了一些丢失的准确率。我们将这些论文总体视为散发性证据，表明似然假设在注册约束下失效；我们的贡献是识别统一机制（潜在困惑度分布的不可分性，而非检测器特定校准），在约束由外部立法而非统计定义的注册上演示该机制，并通过在我们语料库上对DivScore本身进行基准测试（附录E）来验证提出的补救措施继承了相同的陷阱。

#### 并行比较基准测试。

在本文提交前几周发布的两篇arXiv预印本在通用领域语料库上运行了大型检测器池：（Stowe和Patil，2026）在MAGE、RAID、M4GT、H3C+上评估了来自六个系统（包括我们所有的三个）的十五个变体，发现每个系统在至少一个数据集上AUROC降至≤0.60；（Baidya等，2026）记录了困惑度检测器中受长度控制的极性反转。两者都没有评估其语法受外部立法约束的注册；我们将两者解读为似然轴在分布偏移下脆弱的证据，并通过展示一个注册来强化结果，在该注册中失败是模态结果，并且能够承受检测器替换、阈值调整、评分头适应和似然比重新校准。

#### 超越似然的检测。

有三条工作线索试图在不依赖似然假设的情况下进行检测。水印技术在LLM的输出分布中嵌入受控偏差，并事后检测；该技术在生产者的生态系统内是稳健的，但与来源未知或表面形式经过轻微后编辑的AI文本无关（Hans等，2024）。基于领域内文本（人类、AI）对训练的监督分类器原则上可以绕过困惑度轴，但需要大多数受监管领域不可用的标记训练数据，并且需要针对每个LLM家族重新收集。文体计量和复杂度特征——词汇丰富度、句法深度、可读性复合指标——在作者身份归属方面有悠久历史（He等，2024），但据我们所知，尚未在已知似然失效的注册上作为主要检测轴进行系统评估。对更广泛文献的快速回顾列举了许多在相对不受约束的写作中与LLM生成共同出现的表面线索（Georgiou，2026）；我们的离轴模块转而致力于一组小特征，这些特征通过构造与任何评分模型的对数概率正交。