ИИ-анализ PDF: как это устроено и как получить максимум

Вопрос, который задают про анализ документов чаще всего: он правда читает файл целиком или выдёргивает случайные предложения, как сервисы разбора текста десятилетней давности? Ответ зависит от того, что происходит между загрузкой и результатом, и это можно объяснить конкретно, без общих слов про искусственный интеллект. Ниже разбор пути документа от PDF до готового анализа: сколько текста реально доходит до модели, что происходит с файлом, который не помещается, как устроен поиск по документу в чате, и почему договор идёт по совершенно другому маршруту, чем научная статья.

Что делает анализатор PDF

Вы загружаете файл, сервис возвращает структурированный разбор: обзор, разбивку по разделам, ключевые тезисы и цифры. Рядом появляется чат по документу. Принципиальный момент, который отличает это от сервисов прошлого поколения: модель не выдёргивает первые предложения абзацев и не считает частоту слов. Она читает текст и разбирается, как он устроен, где заканчивается один раздел и начинается другой, какой пункт кому подчинён. Именно поэтому пункт 3.2 в результате оказывается внутри раздела 3, а не рядом с ним.

Короткая инструкция: как проанализировать PDF

Весь документ уходит в модель целиком

Это главное, чего обычно не ожидают, поэтому с цифрами. У модели, которая стоит за анализом, окно контекста примерно на миллион токенов входа. Сервис использует из него около 786 тысяч, оставляя запас на служебную часть запроса и на погрешность оценки длины. 786 тысяч токенов это порядка полумиллиона слов. Для сравнения: «Война и мир» это около 580 тысяч слов. То есть почти любой реальный документ, договор на 80 страниц, диссертация, годовой отчёт, уходит в модель одним куском, целиком, без нарезки. Модель видит весь текст сразу и поэтому может связать вывод на 200-й странице с оговоркой на 12-й. Стоит такой запрос порядка восьми центов, и это не та величина, ради которой стоило бы экономить на полноте.

Что происходит с документом, который не влезает

Если текст всё-таки длиннее лимита, включается map-reduce. Документ режется на куски примерно по 250 тысяч токенов с перекрытием в полторы тысячи, каждый разбирается отдельно, потом результаты сводятся в один анализ. Перекрытие нужно, чтобы мысль, разорванная границей куска, не потерялась в обоих. Это заметно хуже единого прохода: на стыке кусков модель теряет часть связей, потому что вторую половину аргумента она читает уже без первой перед глазами. Поэтому map-reduce включается только тогда, когда иначе никак, а не как основной режим. На практике до него доходят единицы документов из сотни.

Уровни детализации меняют не то, что вы думаете

Краткий, средний и подробный уровень управляют длиной ответа, а не длиной прочитанного. Модель в любом случае получает весь документ, меняется только бюджет на выход: примерно 16 тысяч токенов на кратком, 32 тысячи на среднем и около 60 тысяч на подробном. Разница практическая: «краткий» не значит «модель прочитала по диагонали», это значит «прочитала всё и написала сжато». Путаница тут стоит дорого. Люди ставят подробный уровень в надежде, что тогда модель прочитает внимательнее, хотя читает она одинаково, а меняется только развёрнутость.

Договор идёт по другому маршруту

Обычный разбор устроен так: выбрать из документа главное. Для статьи это ровно то, что нужно. Для договора это катастрофа. Пункт про неустойку не входит в «главное» по мнению модели, если весь остальной документ про поставку оборудования, а именно этот пункт стоит вам денег. Поэтому для юридических документов в сервисе отдельный режим, который устроен наоборот: не выбрать важное, а вытащить всё. Каждый пункт, каждое обязательство, без отбора по важности. Внутри у извлечённого пункта лежит и дословный текст из документа, и пересказ простыми словами, и категория (обязательство, право, платёж, расторжение, неустойка, конфиденциальность, применимое право, разрешение споров), и пометка о серьёзности.

Пометка о серьёзности ничего не отфильтровывает

Про эту пометку надо сказать отдельно, потому что она выглядит как фильтр и им не является. Каждому пункту проставляется уровень внимания: высокий, средний, низкий. Он влияет только на то, как пункт показан. Он никогда не используется, чтобы пункт выкинуть. В исчерпывающем режиме в результат попадают все пункты независимо от пометки. Логика простая: если бы модель решала, какой пункт договора вам не нужен, это был бы ровно тот режим отбора важного, ради ухода от которого весь этот маршрут и сделан.

Как включить разбор договора

В настройках разбора есть галочка «Это юридический документ». Ставьте её для договоров, соглашений и NDA: она включает исчерпывающий режим, который разбирает документ по каждому пункту, а не выбирает главное. Без галочки договор уйдёт по обычному маршруту: сервис не пытается угадать по тексту или имени файла, юридический это документ или нет. Галочка — единственный способ включить исчерпывающий режим.

Договоры и юридический режим настолько частая причина заходить в PDF-анализатор, что для них есть отдельное полное руководство: как разбираются пункты, что означает пометка о риске, как обрабатываются длинные контракты.

Полное руководство по анализу договора

Длинный договор: сегменты по 60 тысяч токенов

Исчерпывающий разбор упирается не во вход, а в выход. Модель может прочитать хоть полмиллиона слов, но выписать все пункты подряд она успевает примерно на 65 тысяч токенов ответа, дальше ответ обрывается. Поэтому решение о нарезке принимается по прикидке объёма выхода: если ожидаемый ответ укладывается, договор разбирается одним запросом. Если нет, он режется на сегменты примерно по 60 тысяч токенов с перекрытием в две тысячи. Перекрытие тут больше, чем в обычном map-reduce, и причина буквально записана в коде рядом с константой: разорвать пункт договора пополам недопустимо. В обычном тексте потерянная на стыке фраза это неприятность. В договоре это потерянное обязательство.

Повторное чтение при длинных сегментах

Если модель выписывает пункты сегмента и упирается в потолок ответа на середине, сервис замечает обрыв, разрезает этот сегмент пополам и перечитывает каждую половину заново. Если и половина не укладывается, она режется ещё раз, и так до трёх уровней вглубь. Это дольше и дороже, чем принять первый ответ как есть, зато список пунктов договора остаётся полным: ни один пункт не теряется молча из-за потолка на ответ модели.

Если сегмент всё-таки не разобрался

Отказы случаются: модель вернула мусор вместо структуры, отвалилась сеть, что угодно. Тут тоже есть выбор между тихим и громким провалом. Сервис вставляет на место несработавшего сегмента заметный маркер с высоким уровнем внимания и прямым текстом: этот кусок, страницы такие-то, разобрать автоматически не удалось, посмотри его руками. Провалившийся сегмент виден в результате. Он не исчезает так, будто там ничего и не было.

Почему пункты не задваиваются на стыках

Логичный вопрос после двух предыдущих разделов: если сегменты перекрываются на две тысячи токенов, пункты из зоны перекрытия попадут в оба сегмента. Так и есть, и поэтому при сборке результата дубли выбрасываются: пункты сравниваются по заголовку и по началу дословного текста, приведённым к общему виду. Важная тонкость, тоже записанная в коде: выбрасываются только почти точные повторы, которые появились именно из-за перекрытия. Это не отбор «неважного», два разных пункта с похожими формулировками оба останутся. Заодно на собранном результате находятся перекрёстные ссылки: пункты, которые ссылаются на другие пункты. Это ровно то место, где договоры и подкладывают свинью, когда общий раздел переопределяется приложением.

Чат по документу: поиск по смыслу

Сразу после успешного анализа по документу строится поисковый индекс, отдельно от самого анализа. Текст режется на куски примерно по 500 токенов с небольшим перекрытием, каждый превращается в вектор, набор чисел, кодирующий смысл, а не буквы. Когда вы задаёте вопрос в чате, он тоже становится вектором, и в модель уходят шесть кусков, ближайших к нему по смыслу. Отсюда главное практическое следствие: запрос про «расторжение» находит пункт про «прекращение обязательств», хотя ни одно слово не совпало. Индекс живёт сутки и удаляется вместе с несохранённым анализом.

Как устроен чат по документу

Против Ctrl+F и чтения по диагонали

Где анализатор выигрывает безоговорочно, так это отбор: решить, какие из двадцати PDF во входящих заслуживают внимания, или сориентироваться в длинном отчёте перед тем, как читать нужные разделы. Ctrl+F быстрый и бесплатный, но находит только те слова, которые вы уже знаете. Он не ответит, в чём главный аргумент статьи, и не найдёт пункт об ответственности, если он назван иначе. Где анализатор проигрывает: документ, на который надо опереться абсолютно точно. Договор перед подписанием читают целиком, и разбор тут отправная точка, а не замена чтению.

Как получить лучший результат по формату файла

Лучше всего работают файлы, экспортированные из текстового редактора: Word, Google Docs, LaTeX. В таких файлах разметка уже есть, и структура достаётся аккуратно. Для сканов и фотографий документа результат зависит от качества распознавания текста: простой тест перед загрузкой: попробовать выделить текст мышкой. Если выделяется, файл текстовый и разбирается по максимуму точно. Сложные таблицы с объединёнными ячейками, схемы и диаграммы разбираются по содержанию текста; для проверки конкретных цифр из таблицы удобно уточнить их в чате.

Объяснение вместо краткого разбора

Отдельный сценарий, который путают с кратким разбором: проблема не в длине документа, а в плотности. Три страницы медицинского заключения или патентной формулы читаются дольше, чем тридцать страниц отчёта. Сокращать тут нечего, нужно переложить на человеческий язык. Это другой запрос к модели и другой результат.

Как объяснить PDF простыми словами

Сравнение нескольких документов

Каждый анализ разбирает один документ и держит по нему один чат. Чтобы сравнить несколько отчётов, разберите каждый отдельно, а затем сопоставляйте уже готовые разборы между собой. Так проще держать в голове источник каждого тезиса.

Как получить точный результат

Что реально влияет. Загружайте текстовый PDF, а не скан, если есть выбор: это влияет сильнее всех остальных пунктов вместе взятых. Для договора ставьте галочку юридического режима руками, особенно если документ на русском. Не жмите подробный уровень в надежде на внимательность, читает модель одинаково. Если анализ упустил нужное, не перезапускайте его целиком, спросите в чате: поиск по смыслу найдёт кусок, который не попал в краткий разбор.

Языки и перевод

Документ на одном языке, а разбор нужен на другом, это обычная ситуация: английская статья, разбор по-русски. Перевод происходит внутри того же прохода, отдельным шагом его заказывать не нужно. Чат тоже отвечает на языке вопроса независимо от языка документа. Исчерпывающий режим для договоров от языка вообще не зависит: он включается только галочкой «Это юридический документ», а не разбором ключевых слов, так что работает одинаково что для английского контракта, что для русского.

Что важно знать перед началом работы

Разбор отражает содержимое документа как есть: если в тексте написана неточность, она попадёт и в разбор, потому что модель пересказывает документ, а не проверяет факты внешним источником. Для договоров разбор ускоряет чтение и раскладывает пункты по полочкам, но финальную юридическую оценку того, что конкретный пункт значит в связке с остальными, должен делать человек.

Экспорт результата

Готовый разбор выгружается в PDF, DOCX и Markdown на тарифе Pro. Markdown удобен, если разбор едет в заметки или вики, DOCX, если его дальше правят руками.

Что происходит с файлом

Несохранённый анализ вместе с поисковым индексом удаляется через сутки автоматически. Сохранённый живёт, пока вы сами его не удалите. Текст документа уходит в модель через провайдера, иначе она не смогла бы по нему ответить, и так устроен любой сервис этого класса. Здравое правило: документы под настоящим NDA не грузите никуда, включая нас. Договор, который вам и так прислали на согласование, это риск другого порядка.

Политика конфиденциальности

Лимиты по тарифам

Гость без регистрации: один документ в сутки, до 5 МБ, два вопроса в чате, результат не сохраняется. Бесплатный «Учебный» после регистрации: три документа в сутки, до 15 МБ, четыре вопроса, результаты сохраняются. Pro: без лимита на количество документов и вопросов, файлы до 300 МБ, экспорт в PDF, DOCX и Markdown. Мегабайты плохо переводятся в страницы: текстовый PDF на триста страниц может весить пару мегабайт, а скан десяти страниц все двадцать.

Какая модель под капотом

Gemini 2.5 Flash Lite через OpenRouter. Не самая мощная модель на рынке, и это осознанный выбор. Для задачи «прочитать документ, понять структуру, вернуть разбор» разница между быстрой моделью и самой тяжёлой заметна на редких случаях: противоречивая структура, узкий жаргон нескольких областей сразу. Для обычного договора или отчёта эта разница не окупает пятикратную разницу во времени ответа. Зато миллион токенов контекста у этой модели позволяет то, ради чего всё и затевалось: не резать документ на куски.

С чем сравнивать

Сравнения с другими сервисами вынесены на отдельную страницу, вместе с тарифами и с тем, что входит в каждый. Держать их здесь смысла нет: это руководство про то, как устроен разбор.

Cruxly: тарифы и сравнение с аналогами

Частые ошибки

Грузить скан и ждать точности текстового PDF. Не ставить юридическую галочку на русском договоре и получить обычный общий анализ вместо разбора по пунктам. Считать уверенный тон признаком точности: тон у модели всегда уверенный. Принимать разбор договора за юридическое заключение. Задавать чату вопросы, на которые уже ответил анализ.

Если из всего этого запомнить один пункт, пусть это будет разница между двумя маршрутами. Обычный разбор выбирает из документа главное, и для статьи или отчёта это именно то, что нужно. Разбор договора вытаскивает всё подряд, потому что там понятие «главное» определяете вы, а не модель. Всё остальное, перечитывание недобравших сегментов, перекрытия, маркеры на месте провалов, растёт из одной мысли: молча потерянный пункт договора выглядит точно так же, как отсутствующий. Возьмите документ, который сейчас лежит нечитанным, и прогоните его. На договоре не забудьте галочку.