Щоб порівняти дві версії договору чи технічного завдання за допомогою AI, роботу ділять на два кроки. Спершу звичайна програма порівняння (diff) знаходить усі змінені місця, потім мовна модель на вашій робочій станції сортує ці зміни й пояснює суттєві: нове зобов'язання, перенесений строк, жорсткіший допуск, інший ліміт відповідальності. Модель цитує стару й нову редакцію поруч, а рішення ухвалює людина із закупівель, юридичного відділу чи інженерної служби. За нашим правилом розрахунку користувачів на карту, відділу вистачає однієї NVIDIA RTX PRO 5000 Blackwell на 48 або 72 ГБ із моделлю Qwen3.8-27B (27 млрд параметрів, контекст до 262 144 токенів).
Постачальник повертає рамковий договір чистим PDF із приміткою, що правки «незначні». Замовник надсилає редакцію C технічного завдання на сорок сторінок без переліку змін. Звірка рядок за рядком забирає пів дня, а єдине важливе слово на 31-й сторінці легко пропустити.
Коротко
- Схема з двох кроків: diff знаходить кожне змінене місце, локальна модель класифікує зміни й пояснює суттєві, цитуючи обидві редакції.
- Порівняння у Word і LibreOffice показують кожне вставлене й видалене слово як виправлення, але ваги змін не оцінюють.
- Docling (MIT, версія 2.145.0 від 29.10.2026) перетворює PDF і Word на структурований текст із таблицями; у тесті розробників одна L40S обробляла 3,1 сторінки за секунду без OCR.
- Qwen3.8-27B (Apache 2.0) читає до 262 144 токенів; за нашим правилом карта на 48 ГБ тримає збірку NVFP4 і чотири запити по 128K, а RTX PRO 6000 на 96 ГБ тримає FP8 і 13 таких запитів.
- Для сканів потрібне розпізнавання кирилиці: Docling сам її не читає, українську йому дають рушії RapidOCR або EasyOCR.
Що показує порівняння у Word, LibreOffice і difflib
Програма порівняння, яку часто називають diff, перелічує всі вставлені й видалені слова між двома текстами. Word у режимі юридичного порівняння (legal blackline), за довідкою Microsoft, виводить відмінності двох документів у третій, новий документ у вигляді виправлень; вихідні файли не змінюються. «Порівняти документ» у LibreOffice Writer так само показує вставки й видалення як виправлення, які можна прийняти чи відхилити; працює це для текстових документів і таблиць.
| Інструмент | Що порівнює | Результат | Оцінює вагу змін |
|---|---|---|---|
| Word, юридичне порівняння | два документи Word | третій документ із виправленнями | ні |
| LibreOffice, «Порівняти документ» | текстові документи, електронні таблиці | виправлення, які приймають або відхиляють | ні |
| Python difflib | рядки тексту | уніфікований diff або HTML-таблиця на дві колонки | ні |
| Локальна LLM після diff | змінені фрагменти з контекстом | перелік змін із типом і обома редакціями | так, як пропозиції |
Джерело: довідка Microsoft про юридичне порівняння у Word, довідка LibreOffice про порівняння документів, документація Python до difflib, прочитано 30.10.2026; останній рядок описує метод нижче.
У межах того, що вони порівнюють, ці інструменти точні й нічого не пропускають. Котра зміна важлива, вони не кажуть. Перенумерований пункт дає десятки позначок і по суті нічого не означає. Слово «зобов'язується», замінене на «може», це одна правка, яка прибирає обов'язок. Допуск ±0,05 мм, що став ±0,1 мм, займає кілька символів у таблиці. Довідка Word про PDF не згадує, а нові редакції часто надходять саме в PDF, тож першим кроком іде конвертація.
Як порівняти дві версії договору за допомогою AI: шість кроків
Програма порівняння знаходить усі зміни, а мовна модель читає лише їх разом з оточенням і оцінює. Перелік формує diff, тому модель не може дописати зміну, якої там немає, і жодна зміна не зникає, навіть якщо модель оцінила її хибно.
- Конвертація. Обидві редакції перетворюють на структурований текст із заголовками, номерами пунктів і таблицями. Docling читає PDF, DOCX, PPTX, XLSX, HTML та інші формати, розпізнає макет сторінки, порядок читання й структуру таблиць і працює локально, зокрема без доступу до мережі.
- Зіставлення. Розділи й пункти двох редакцій ставлять у пари, щоб перенумерація не виглядала як зміна кожного пункту.
- Порівняння. Для кожної пари розділів diff видає змінені фрагменти з номером пункту й сторінкою. Модуль difflib зі стандартної бібліотеки Python формує уніфікований diff або HTML-таблицю, де підсвічено зміни між рядками й усередині рядка.
- Пояснення. Модель отримує пункт в обох редакціях і визначення, на які він посилається, а повертає тип зміни (редакційна чи суттєва; зобов'язання, строк, сума, допуск, відповідальність, обсяг робіт), обидва формулювання і одне речення про суть зміни.
- Перевірка. Скрипт звіряє, що кожна цитата дослівно є у своїй редакції; цитата, якої не знайдено, повертає рядок на перегляд.
- Рішення. Працівник проходить перелік, де суттєві зміни стоять першими, і передає потрібні рядки юристу чи інженеру.
Другий режим потрібен для перехресних посилань. Коли змінюється визначення, скажімо «дата поставки» чи «приймання», інші пункти змінюють зміст, хоча в них самих жодне слово не змінилося. Тут модель отримує обидві повні редакції в одному запиті й відповідає, які пункти використовують змінене визначення і що змінюється в кожному. Для цього потрібен довгий контекст.
Як знайти зміни в таблицях, допусках і сканах ТЗ
Найважливіші значення ТЗ тримає в таблицях: розміри й допуски, матеріали, умови випробувань, критерії приймання. У тексті, витягнутому з таблиці PDF, клітинки часто перемішуються, і одне змінене значення дає заплутаний блок правок. Docling розпізнає структуру таблиці й експортує її в Markdown, HTML або JSON. Тоді змінений допуск стає зміненою клітинкою в рядку з назвою, і модель повідомляє: «рядок „Діаметр отвору“, допуск з ±0,05 мм на ±0,1 мм».
У власному тесті Docling на хмарному сервері з однією NVIDIA L40S стандартний конвеєр без OCR обробив PDF на 192 сторінки з 95 таблицями зі швидкістю 3,1 сторінки за секунду. За нашою оцінкою, ТЗ на 200 сторінок на подібному залізі конвертується приблизно за хвилину. Розпізнавання таблиць, за сторінкою Docling про GPU, поки не використовує пакетну обробку, тож ТЗ із багатьма таблицями заміряйте на своєму залізі.
Попросіть модель виводити кожне змінене число з одиницею виміру й обома значеннями, а скрипт нехай перевіряє, що обидва значення є у вихідному тексті. Креслення, на які посилається ТЗ, порівнюють окремо.
Скан спершу проходить розпізнавання тексту. Docling сам кирилицю не розпізнає: українську йому дають рушії RapidOCR (моделі cyrillic і eslav) або EasyOCR (uk, ru), а варіант із Nemotron-OCR підтримує лише російську. У змаганні UNLP 2026 команда КПІ відмовилася від Docling, бо на частині PDF він працював повільно й падав, і перейшла на pymupdf4llm для файлів із текстовим шаром. Рушії й ліцензії порівнюємо в статті про розбір PDF з Docling і MinerU.
Скільки токенів займає договір і скільки пам'яті потрібно GPU
Мовні моделі рахують текст токенами, тобто частинами слів. Для планування ми беремо 2 токени на слово; цю цифру виводили для німецької, а препринт травня 2026 року рахує в середньому 1,76. Для української опублікованих даних ми не знайшли, тож кількість токенів виміряйте токенізатором моделі на кількох своїх договорах. За плановою цифрою договір на 40 сторінок (близько 20 000 слів) займає близько 40 000 токенів, а обидві редакції з інструкціями приблизно 85 000. У режимі diff запит містить один змінений пункт з контекстом, тобто кілька тисяч токенів.
Qwen3.8-27B добре підходить за розміром. За карткою, рідний контекст становить 262 144 токени, ліцензія Apache 2.0, і є дві стиснені збірки: FP8 від Qwen на 30,9 ГБ (більшість ваг у 8 бітах) і NVFP4 від NVIDIA на 21,9 ГБ (більшість ваг у 4-бітному форматі), яку NVIDIA позначає як готову до комерційного використання. Переліку мов картка не наводить, тож тестуйте модель на документах українською, російською й англійською, якщо працюєте з ними. Режим міркування (thinking) увімкнено за замовчуванням, і його можна вимкнути для окремого запиту; порівняйте обидва варіанти.
Пам'ять GPU вміщує модель і робочу область для кожного запиту в роботі. Наше правило: 90 % пам'яті, яку показує драйвер, мінус 3 ГіБ на карту й мінус ваги. За нашим розрахунком із конфігураційного файлу моделі, запит на 128K токенів, якого вистачає на обидві редакції довгого договору, потребує близько 4,1 ГіБ робочої області, запит на 32K близько 1,1 ГіБ, повні 262 144 токени близько 8,1 ГіБ (у FP8, як у прикладі розгортання від NVIDIA).
| Карта | Збірка моделі | Корисна пам'ять | Лишається на запити | Запитів по 128K одночасно |
|---|---|---|---|---|
| RTX PRO 4500, 32 ГБ | NVFP4, 20,4 ГіБ | 25,7 ГіБ | 5,3 ГіБ | 1 |
| RTX PRO 5000, 48 ГБ | NVFP4, 20,4 ГіБ | 40,0 ГіБ | 19,6 ГіБ | 4 |
| RTX PRO 5000, 72 ГБ | FP8, 28,75 ГіБ | 61,5 ГіБ | 32,75 ГіБ | 7 |
| RTX PRO 6000, 96 ГБ | FP8, 28,75 ГіБ | 83,0 ГіБ | 54,25 ГіБ | 13 |
Джерело: наша оцінка за правилом розрахунку користувачів на карту; ваги за сторінками файлів nvidia/Qwen3.8-27B-NVFP4 (21,9 ГБ) і Qwen/Qwen3.8-27B-FP8 (30,9 ГБ) на Hugging Face; робоча область FP8 за конфігураційним файлом моделі; прочитано 30.10.2026; рядок RTX PRO 6000 стосується всіх версій карти.
Довгий запит ще й потребує часу до появи першого слова відповіді; опублікованих цифр для запитів на 128K на картах RTX PRO ми не знайшли, тож заміряйте час на своїх документах. Як рахувати пам'ять під інші моделі, пояснює стаття про відеопам'ять під LLM.
Яка робоча станція потрібна для порівняння документів
Порівняння йде хвилями: кілька документів на тиждень у закупівлях і більше перед підписанням договору чи випуском ТЗ, тож зазвичай вистачає однієї станції на відділ.
| Рівень | Залізо | Що працює | Для кого |
|---|---|---|---|
| Початковий | станція, 1 × RTX PRO 4500 (32 ГБ) | Docling, diff і Qwen3.8-27B у NVFP4; один запит на 128K за раз | один закупівельник чи інженер |
| Відділ | станція, 1 × RTX PRO 5000 (48 ГБ) | NVFP4 і чотири запити на 128K | команда закупівель, юристів чи інженерів |
| Кілька відділів | станція, 1 або 2 × RTX PRO 6000 Workstation Edition чи Max-Q (96 ГБ) | FP8 і 13 запитів на 128K на карту; друга карта для інших задач | закупівлі, юристи й інженери разом |
| Компанія | сервер із RTX PRO 6000 Server Edition | порівняння поруч з перевіркою договорів і корпоративним асистентом | уся компанія |
Джерело: наша оцінка за правилом розрахунку користувачів на карту, за таблицею пам'яті вище; 300 Вт для RTX PRO 5000 за сторінкою продукту NVIDIA.
RTX PRO 5000 Blackwell споживає до 300 Вт і випускається з 48 або 72 ГБ; збірку FP8 із запасом на кілька повних порівнянь тримає саме версія на 72 ГБ. RTX PRO 6000 Workstation Edition розрахована на 600 Вт, і дві такі карти є реальною межею для однієї станції; три чи чотири RTX PRO 6000 Max-Q ставлять лише в корпус, спроєктований під них, із сильним спрямованим потоком повітря. Відмінності версій розібрано в порівнянні Workstation, Max-Q і Server Edition.
Коли порівняння працює поруч з асистентом для всіх працівників, доречніший сервер; як розрахувати його під кількість людей, показує стаття про сервер приватного ChatGPT за розміром компанії. ETE збирає такі станції під задачу: надішліть типи документів, їхній звичайний обсяг і кількість порівнянь на місяць, і інженер порахує конфігурацію.
Як перевірити метод на власних документах
Візьміть десять пар реальних документів із відомими змінами, наприклад раунди переговорів, де ваш юрист вів режим рецензування. Ці виправлення й будуть еталоном.
- Переконайтеся, що diff знайшов кожну зміну з еталона; пропуск указує на проблему конвертації.
- Порахуйте, скільки суттєвих змін модель визнала суттєвими і скільки редакційних помилково записала в суттєві.
- Звірте кожне змінене число, одиницю й дату з обома редакціями.
- Запустіть режим перехресних посилань на двох змінених визначеннях і перевірте названі пункти.
- Повторіть тест для кожної мови ваших документів, з режимом міркування й без нього.
Договори містять ваші ціни, обсяги й умови контрагента, а часто й персональні дані підписантів і контактних осіб. Коли модель працює на власній станції, текст лишається на залізі, яке ви контролюєте. Правової підстави обробки персональних даних за Законом № 2297-VI і їхнього захисту це не замінює, а юридичну оцінку кожної зміни дає ваш юрист.
Нотатки для ІТ-відділу
- Налаштування diff. За замовчуванням difflib вважає часті елементи довгих вхідних даних «сміттям» (junk); документація називає цю евристику асиметричною і радить вимикати її, де вона заважає. Для довгих документів задайте
autojunk=False. - Структурований вивід. Запитуйте перелік змін як JSON за фіксованою схемою; vLLM приймає JSON-схему в кожному запиті.
- Ліцензії моделей. Код Docling поширюється за MIT, а README просить окремо перевірити ліцензії моделей, які він завантажує.
- Мережа. Параметр
--api-keyу vLLM захищає лише частину шляхів (посібник з безпеки vLLM 0.32.0), тож сервер моделі тримайте у внутрішній мережі. - Пам'ять на запит. З кешем у FP8 модель потребує 32 КіБ на токен у 16 шарах повної уваги плюс близько 0,14 ГіБ стану на запит у 48 шарах лінійної уваги (наш розрахунок за config.json).
Часті питання
Чи може AI порівняти дві редакції договору?
Так. Програма порівняння перелічує всі змінені місця, а локальна мовна модель сортує їх і пояснює суттєві (зобов'язання, строки, суми, відповідальність), цитуючи обидві редакції. Що приймати, вирішує людина, юридичну оцінку дає юрист.
Як знайти відмінності між двома PDF-файлами?
Конвертуйте обидва файли у структурований текст, наприклад через Docling, який зберігає заголовки й таблиці, і порівняйте їх розділ за розділом інструментом diff. Локальна модель додасть перелік суттєвих змін. Скани спершу проходять OCR з підтримкою кирилиці.
Чи впорається локальна модель із договором українською?
Картка Qwen3.8-27B переліку мов не наводить, тому перед роботою проженіть тест на десяти парах своїх документів українською й російською.
Скільки сторінок договору вміщує модель?
Qwen3.8-27B читає до 262 144 токенів, тобто обидві повні редакції довгого договору з запасом. Договір на 40 сторінок, за нашою оцінкою, займає близько 40 000 токенів. У режимі diff кожен запит містить лише один змінений пункт з контекстом.
Яка відеокарта потрібна для порівняння документів?
За нашим правилом RTX PRO 4500 на 32 ГБ тримає Qwen3.8-27B у NVFP4 з одним запитом на 128K токенів, а RTX PRO 5000 на 48 ГБ із чотирма. Збірку FP8 тримають RTX PRO 5000 на 72 ГБ (сім запитів) і RTX PRO 6000 на 96 ГБ (тринадцять).
Що з цього є в ETE
- NVIDIA RTX PRO 5000 Blackwell 48 ГБ: станція для відділу, чотири запити по 128K у NVFP4 при 300 Вт.
- NVIDIA RTX PRO 4500 Blackwell 32 ГБ: початковий рівень для одного працівника, один запит по 128K за раз.
- NVIDIA RTX PRO 6000 Blackwell Workstation 96 ГБ: збірка FP8 і 13 запитів на карту для кількох відділів.
- ETE AI Workstation: готова станція з RTX PRO 6000 на 96 ГБ, яку можна розширити до двох карт Max-Q.
Яка станція потрібна під ваші договори й ТЗ?
Напишіть, які документи ви порівнюєте, якими мовами, якого вони зазвичай обсягу, скільки порівнянь на місяць і чи можуть дані виходити за межі вашої мережі. ETE порахує конфігурацію, а за потреби інженери Vixen.UNO встановлять Docling, скрипт порівняння й локальну модель.