Проверка документов нейросетью: чек-лист ошибок, которые ИИ находит хорошо

Нейросеть для проверки документов полезна как второй читатель: она быстро находит противоречия между разделами, пропущенные обязательные пункты и битые ссылки на пункты. Но не всё стоит отдавать модели: контрольные суммы и арифметику надёжнее считать кодом, а юридическую и фактическую силу документа оценивает человек. Ниже чек-лист из трёх групп (код, модель, человек), рабочий пример на Python и расчёт стоимости. Нейросеть для исправления документов и правки текста работает по тому же принципу: сначала находим замечания, потом вы решаете, что принять.

Три группы проверок

Разделите проверки по тому, кто надёжнее с ними справляется.

Эта таблица главное в статье: модель не отменяет остальные группы, а закрывает среднюю.

Чек-лист: что поручить модели

Эти пункты хорошо формулируются словами и плохо ловятся регулярными выражениями. Проверьте на своих документах, насколько точно модель их находит:

1. Противоречия между разделами. В одном месте срок оплаты 5 дней, в другом 10.
2. Несогласованные данные. Разные написания названия стороны, разные суммы в тексте и приложении.
3. Висячие ссылки. «См. п. 4.3», а такого пункта нет; «Приложение 2», которого в документе нет.
4. Пропуски обязательных разделов относительно списка, который вы дали (предмет, сроки, порядок расчётов, ответственность, реквизиты).
5. Неопределённые термины. Слово с большой буквы используется, но нигде не расшифровано.
6. Сумма цифрами и прописью. Модель может заметить расхождение, но итоговую арифметику всё равно перепроверьте кодом.
7. Опечатки и стилистика. Единый стиль обращения, повторы, двусмысленные формулировки.
8. Нумерация и форматирование. Перескоки номеров, разные форматы дат.

Чек-лист: что оставить коду

Если проверка алгоритмическая, не тратьте токены и не рискуйте ошибкой модели. Пример: контрольная цифра десятизначного ИНН.

def inn10_valid(inn: str) -> bool:
    if len(inn) != 10 or not inn.isdigit():
        return False
    weights = [2, 4, 10, 3, 5, 9, 4, 6, 8]
    check = sum(int(d) * w for d, w in zip(inn, weights)) % 11 % 10
    return check == int(inn[9])

print(inn10_valid("7707083893"))  # True
print(inn10_valid("7707083894"))  # False

То же для дат (через datetime), для сумм (сложите позиции и сравните с итогом), для обязательных полей (поиск по шаблону). Для ИНН физических лиц, ОГРН и других реквизитов алгоритм свой, его лучше сверить с официальным описанием.

Чек-лист: что остаётся за человеком

• Соответствует ли условие закону и вашим интересам.
• Совпадают ли факты с реальностью и первичными документами.
• Кто подписывает и есть ли у него полномочия.
• Нет ли в тексте того, чего не должно быть по вашей отраслевой практике.
• Итоговое решение принять или отклонить правку модели.

Пример: смысловая проверка через API

Модель просим вернуть замечания списком в JSON, с цитатой, чтобы человек быстро находил место. Запрос в OpenAI-формате, подробности в документации chat completions↗:

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")

CHECKLIST = """1. Противоречия между разделами (сроки, суммы, стороны).
2. Ссылки на пункты и приложения, которых нет в документе.
3. Отсутствие разделов: предмет, сроки, порядок расчётов, ответственность, реквизиты.
4. Термины, использованные без определения.
5. Разные написания одного и того же названия или имени."""

SYSTEM = f"""Ты проверяешь текст документа по списку. Ничего не исправляй и не выдумывай.
Проверяй только пункты списка:
{CHECKLIST}

Обратите внимание на три приёма: список проверок задан явно (модель не гуляет по тексту), цитата позволяет мгновенно найти место, а «уверенность» помогает расставить приоритеты. Если нужен строго валидный JSON, посмотрите структурированный JSON-ответ↗.

Как не пропустить ошибки модели

Модель ошибается в обе стороны: придумывает замечание, которого нет, и не замечает настоящее. Что делать:

• Просите цитату и проверяйте, что она есть в тексте: if item["цитата"] not in text, такое замечание помечайте как сомнительное.
• Для важных документов запустите проверку дважды на разных моделях и сравните отчёты. Расхождения посмотрите глазами.
• Тестируйте на документе с заранее внесёнными ошибками: подменили срок, удалили пункт, и посмотрите, что найдено. Так вы узнаете, чего ждать от модели именно на ваших текстах.
• Очень длинные документы не режьте произвольно: у моделей каталога контекст 1M токенов, обычно документ влезает целиком, и противоречия между далёкими разделами видны только при целом тексте. Если документ всё же длиннее, см. суммаризацию длинных документов↗.

Сколько стоит проверка

Цены на 18 октября 2026, $ за 1M токенов (вход / выход): gpt-6.1-sol 0.27 / 1.32, deepseek-v4.1-flash 0.013 / 0.038. Пример: договор около 12 000 токенов, плюс список проверок, отчёт на 1 000 токенов.

• gpt-6.1-sol: 12 000 × 0.27 + 1 000 × 1.32 = 3 240 + 1 320 = 4 560, то есть $0.00456
• deepseek-v4.1-flash: 12 000 × 0.013 + 1 000 × 0.038 = 156 + 38 = 194, то есть $0.000194

(делим на 1 000 000). Для сотни документов в месяц это порядка $0.46 и $0.02 соответственно (100 × 0.00456 и 100 × 0.000194). Дешёвая модель, возможно, пропустит больше, поэтому сначала сравните отчёты на своих документах. Свежие цены всегда в ответе GET https://api.zukko.pro/v1/models. Если документ нужно сравнить с прошлой версией, пригодится отдельный разбор по анализу договоров↗.

Чтобы запустить пример, создайте ключ в кабинете↗ и прогоните скрипт на обезличенном документе.

Частые вопросы

Может ли нейросеть полностью заменить вычитку документов?

Нет. Она закрывает смысловые проверки и экономит время, но формальные проверки лучше делать кодом, а содержательные остаются за человеком.

Можно ли просить модель сразу исправить документ?

Можно, но сначала получите список замечаний и примите решение по каждому. Автоматическая правка всего текста может незаметно изменить смысл условий.

Какие документы можно отправлять на проверку?

Любые, которые вы вправе передавать внешнему сервису. Персональные данные и коммерческую тайну лучше обезличивать или не отправлять, это решение вашей организации.

Как понять, что модель нашла не всё?

Проведите тест на документе с заранее внесёнными ошибками и подсчитайте долю найденных. Один такой тест даёт больше, чем любые обобщённые утверждения о качестве моделей.