Чтобы сравнить две версии договора или технического задания с помощью AI, работу делят на два шага. Сначала обычная программа сравнения (diff) находит все изменённые места, затем языковая модель на вашей рабочей станции сортирует эти изменения и объясняет существенные: новое обязательство, перенесённый срок, более жёсткий допуск, другой лимит ответственности. Модель приводит старую и новую формулировку рядом, а решение принимает человек из закупок, юридического отдела или инженерной службы. По нашему правилу расчёта пользователей на карту, отделу хватает одной NVIDIA RTX PRO 5000 Blackwell на 48 или 72 ГБ с моделью Qwen3.8-27B (27 млрд параметров, контекст до 262 144 токенов).
Поставщик возвращает рамочный договор чистым PDF с пометкой, что правки «незначительные». Заказчик присылает редакцию C технического задания на сорок страниц без перечня изменений. Сверка строка за строкой занимает полдня, а единственное важное слово на 31-й странице легко пропустить.
Коротко
- Схема из двух шагов: diff находит каждое изменённое место, локальная модель классифицирует изменения и объясняет существенные, цитируя обе редакции.
- Сравнение в Word и LibreOffice показывает каждое вставленное и удалённое слово как исправление, но вес изменений не оценивает.
- Docling (MIT, версия 2.145.0 от 29.10.2026) превращает PDF и Word в структурированный текст с таблицами; в тесте разработчиков одна L40S обрабатывала 3,1 страницы в секунду без OCR.
- Qwen3.8-27B (Apache 2.0) читает до 262 144 токенов; по нашему правилу карта на 48 ГБ держит сборку NVFP4 и четыре запроса по 128K, а RTX PRO 6000 на 96 ГБ держит FP8 и 13 таких запросов.
- Для сканов нужно распознавание кириллицы: Docling сам её не читает, украинский ему дают движки RapidOCR или EasyOCR.
Что показывает сравнение в Word, LibreOffice и difflib
Программа сравнения, которую часто называют diff, перечисляет все вставленные и удалённые слова между двумя текстами. Word в режиме юридического сравнения (legal blackline), по справке Microsoft, выводит различия двух документов в третий, новый документ в виде исправлений; исходные файлы не меняются. «Сравнить документ» в LibreOffice Writer так же показывает вставки и удаления как исправления, которые можно принять или отклонить; работает это для текстовых документов и таблиц.
| Инструмент | Что сравнивает | Результат | Оценивает вес изменений |
|---|---|---|---|
| Word, юридическое сравнение | два документа Word | третий документ с исправлениями | нет |
| LibreOffice, «Сравнить документ» | текстовые документы, электронные таблицы | исправления, которые принимают или отклоняют | нет |
| Python difflib | строки текста | унифицированный diff или HTML-таблица в две колонки | нет |
| Локальная LLM после diff | изменённые фрагменты с контекстом | перечень изменений с типом и обеими редакциями | да, как предложения |
Источник: справка Microsoft о юридическом сравнении в Word, справка LibreOffice о сравнении документов, документация Python к difflib, прочитано 30.10.2026; последняя строка описывает метод ниже.
В пределах того, что они сравнивают, эти инструменты точны и ничего не пропускают. Какое изменение важно, они не говорят. Перенумерованный пункт даёт десятки пометок и по сути ничего не значит. Слово «обязуется», заменённое на «может», это одна правка, которая снимает обязанность. Допуск ±0,05 мм, ставший ±0,1 мм, занимает несколько символов в таблице. Справка Word о PDF не упоминает, а новые редакции часто приходят именно в PDF, поэтому первым шагом идёт конвертация.
Как сравнить две версии договора с помощью AI: шесть шагов
Программа сравнения находит все изменения, а языковая модель читает только их вместе с окружением и оценивает. Перечень формирует diff, поэтому модель не может дописать изменение, которого там нет, и ни одно изменение не пропадает, даже если модель оценила его ошибочно.
- Конвертация. Обе редакции превращают в структурированный текст с заголовками, номерами пунктов и таблицами. Docling читает PDF, DOCX, PPTX, XLSX, HTML и другие форматы, распознаёт макет страницы, порядок чтения и структуру таблиц и работает локально, в том числе без доступа к сети.
- Сопоставление. Разделы и пункты двух редакций ставят в пары, чтобы перенумерация не выглядела как изменение каждого пункта.
- Сравнение. Для каждой пары разделов diff выдаёт изменённые фрагменты с номером пункта и страницей. Модуль difflib из стандартной библиотеки Python формирует унифицированный diff или HTML-таблицу, где подсвечены изменения между строками и внутри строки.
- Объяснение. Модель получает пункт в обеих редакциях и определения, на которые он ссылается, а возвращает тип изменения (редакционное или существенное; обязательство, срок, сумма, допуск, ответственность, объём работ), обе формулировки и одно предложение о сути изменения.
- Проверка. Скрипт сверяет, что каждая цитата дословно есть в своей редакции; ненайденная цитата возвращает строку на пересмотр.
- Решение. Сотрудник проходит перечень, где существенные изменения стоят первыми, и передаёт нужные строки юристу или инженеру.
Второй режим нужен для перекрёстных ссылок. Когда меняется определение, например «дата поставки» или «приёмка», другие пункты меняют смысл, хотя в них самих ни одно слово не изменилось. Здесь модель получает обе полные редакции в одном запросе и отвечает, какие пункты используют изменённое определение и что меняется в каждом. Для этого нужен длинный контекст.
Как найти изменения в таблицах, допусках и сканах ТЗ
Самые важные значения ТЗ держит в таблицах: размеры и допуски, материалы, условия испытаний, критерии приёмки. В тексте, извлечённом из таблицы PDF, ячейки часто перемешиваются, и одно изменённое значение даёт запутанный блок правок. Docling распознаёт структуру таблицы и экспортирует её в Markdown, HTML или JSON. Тогда изменённый допуск становится изменённой ячейкой в строке с названием, и модель сообщает: «строка „Диаметр отверстия“, допуск с ±0,05 мм на ±0,1 мм».
В собственном тесте Docling на облачном сервере с одной NVIDIA L40S стандартный конвейер без OCR обработал PDF на 192 страницы с 95 таблицами со скоростью 3,1 страницы в секунду. По нашей оценке, ТЗ на 200 страниц на похожем железе конвертируется примерно за минуту. Распознавание таблиц, согласно странице Docling о GPU, пока не использует пакетную обработку, так что ТЗ с большим числом таблиц замерьте на своём железе.
Попросите модель выводить каждое изменённое число с единицей измерения и обоими значениями, а скрипт пусть проверяет, что оба значения есть в исходном тексте. Чертежи, на которые ссылается ТЗ, сравнивают отдельно.
Скан сначала проходит распознавание текста. Docling сам кириллицу не распознаёт: украинский ему дают движки RapidOCR (модели cyrillic и eslav) или EasyOCR (uk, ru), а вариант с Nemotron-OCR поддерживает только русский. В соревновании UNLP 2026 команда КПИ отказалась от Docling, потому что на части PDF он работал медленно и падал, и перешла на pymupdf4llm для файлов с текстовым слоем. Движки и лицензии мы сравниваем в статье о разборе PDF с Docling и MinerU.
Сколько токенов занимает договор и сколько памяти нужно GPU
Языковые модели считают текст токенами, то есть частями слов. Для планирования мы берём 2 токена на слово; эту цифру выводили для немецкого, а препринт мая 2026 года насчитывает в среднем 1,76. Для украинского опубликованных данных мы не нашли, так что количество токенов измерьте токенизатором модели на нескольких своих договорах. По плановой цифре договор на 40 страниц (около 20 000 слов) занимает около 40 000 токенов, а обе редакции с инструкциями примерно 85 000. В режиме diff запрос содержит один изменённый пункт с контекстом, то есть несколько тысяч токенов.
Qwen3.8-27B хорошо подходит по размеру. По карточке, родной контекст составляет 262 144 токена, лицензия Apache 2.0, и есть две сжатые сборки: FP8 от Qwen на 30,9 ГБ (большинство весов в 8 битах) и NVFP4 от NVIDIA на 21,9 ГБ (большинство весов в 4-битном формате), которую NVIDIA отмечает как готовую к коммерческому использованию. Перечня языков карточка не приводит, поэтому тестируйте модель на документах на украинском, русском и английском, если работаете с ними. Режим рассуждения (thinking) включён по умолчанию, его можно отключить для отдельного запроса; сравните оба варианта.
Память GPU вмещает модель и рабочую область для каждого запроса в работе. Наше правило: 90 % памяти, которую показывает драйвер, минус 3 ГиБ на карту и минус веса. По нашему расчёту из конфигурационного файла модели, запрос на 128K токенов, которого хватает на обе редакции длинного договора, требует около 4,1 ГиБ рабочей области, запрос на 32K около 1,1 ГиБ, полные 262 144 токена около 8,1 ГиБ (в FP8, как в примере развёртывания от NVIDIA).
| Карта | Сборка модели | Полезная память | Остаётся на запросы | Запросов по 128K одновременно |
|---|---|---|---|---|
| RTX PRO 4500, 32 ГБ | NVFP4, 20,4 ГиБ | 25,7 ГиБ | 5,3 ГиБ | 1 |
| RTX PRO 5000, 48 ГБ | NVFP4, 20,4 ГиБ | 40,0 ГиБ | 19,6 ГиБ | 4 |
| RTX PRO 5000, 72 ГБ | FP8, 28,75 ГиБ | 61,5 ГиБ | 32,75 ГиБ | 7 |
| RTX PRO 6000, 96 ГБ | FP8, 28,75 ГиБ | 83,0 ГиБ | 54,25 ГиБ | 13 |
Источник: наша оценка по правилу расчёта пользователей на карту; веса по страницам файлов nvidia/Qwen3.8-27B-NVFP4 (21,9 ГБ) и Qwen/Qwen3.8-27B-FP8 (30,9 ГБ) на Hugging Face; рабочая область FP8 по конфигурационному файлу модели; прочитано 30.10.2026; строка RTX PRO 6000 относится ко всем версиям карты.
Длинный запрос ещё и требует времени до появления первого слова ответа; опубликованных цифр для запросов на 128K на картах RTX PRO мы не нашли, поэтому замерьте время на своих документах. Как считать память под другие модели, объясняет статья о видеопамяти под LLM.
Какая рабочая станция нужна для сравнения документов
Сравнение идёт волнами: несколько документов в неделю в закупках и больше перед подписанием договора или выпуском ТЗ, так что обычно хватает одной станции на отдел.
| Уровень | Железо | Что работает | Для кого |
|---|---|---|---|
| Начальный | станция, 1 × RTX PRO 4500 (32 ГБ) | Docling, diff и Qwen3.8-27B в NVFP4; один запрос на 128K за раз | один закупщик или инженер |
| Отдел | станция, 1 × RTX PRO 5000 (48 ГБ) | NVFP4 и четыре запроса на 128K | команда закупок, юристов или инженеров |
| Несколько отделов | станция, 1 или 2 × RTX PRO 6000 Workstation Edition или Max-Q (96 ГБ) | FP8 и 13 запросов на 128K на карту; вторая карта для других задач | закупки, юристы и инженеры вместе |
| Компания | сервер с RTX PRO 6000 Server Edition | сравнение рядом с проверкой договоров и корпоративным ассистентом | вся компания |
Источник: наша оценка по правилу расчёта пользователей на карту, по таблице памяти выше; 300 Вт для RTX PRO 5000 по странице продукта NVIDIA.
RTX PRO 5000 Blackwell потребляет до 300 Вт и выпускается с 48 или 72 ГБ; сборку FP8 с запасом на несколько полных сравнений держит именно версия на 72 ГБ. RTX PRO 6000 Workstation Edition рассчитана на 600 Вт, и две такие карты являются реальным пределом для одной станции; три или четыре RTX PRO 6000 Max-Q ставят только в корпус, спроектированный под них, с сильным направленным потоком воздуха. Различия версий разобраны в сравнении Workstation, Max-Q и Server Edition.
Когда сравнение работает рядом с ассистентом для всех сотрудников, уместнее сервер; как рассчитать его под количество людей, показывает статья о сервере приватного ChatGPT по размеру компании. ETE собирает такие станции под задачу: пришлите типы документов, их обычный объём и количество сравнений в месяц, и инженер посчитает конфигурацию.
Как проверить метод на своих документах
Возьмите десять пар реальных документов с известными изменениями, например раунды переговоров, где ваш юрист вёл режим рецензирования. Эти исправления и будут эталоном.
- Убедитесь, что diff нашёл каждое изменение из эталона; пропуск указывает на проблему конвертации.
- Посчитайте, сколько существенных изменений модель признала существенными и сколько редакционных ошибочно записала в существенные.
- Сверьте каждое изменённое число, единицу и дату с обеими редакциями.
- Запустите режим перекрёстных ссылок на двух изменённых определениях и проверьте названные пункты.
- Повторите тест для каждого языка ваших документов, с режимом рассуждения и без него.
Договоры содержат ваши цены, объёмы и условия контрагента, а часто и персональные данные подписантов и контактных лиц. Когда модель работает на собственной станции, текст остаётся на железе, которое вы контролируете. Правового основания обработки персональных данных по Закону № 2297-VI и их защиты это не заменяет, а юридическую оценку каждого изменения даёт ваш юрист.
Заметки для ИТ-отдела
- Настройка diff. По умолчанию difflib считает частые элементы длинных входных данных «мусором» (junk); документация называет эту эвристику асимметричной и советует отключать её, где она мешает. Для длинных документов задайте
autojunk=False. - Структурированный вывод. Запрашивайте перечень изменений как JSON по фиксированной схеме; vLLM принимает JSON-схему в каждом запросе.
- Лицензии моделей. Код Docling распространяется по MIT, а README просит отдельно проверить лицензии моделей, которые он загружает.
- Сеть. Параметр
--api-keyв vLLM защищает только часть путей (руководство по безопасности vLLM 0.32.0), поэтому сервер модели держите во внутренней сети. - Память на запрос. С кешем в FP8 модель требует 32 КиБ на токен в 16 слоях полного внимания плюс около 0,14 ГиБ состояния на запрос в 48 слоях линейного внимания (наш расчёт по config.json).
Частые вопросы
Может ли AI сравнить две редакции договора?
Да. Программа сравнения перечисляет все изменённые места, а локальная языковая модель сортирует их и объясняет существенные (обязательства, сроки, суммы, ответственность), цитируя обе редакции. Что принимать, решает человек, юридическую оценку даёт юрист.
Как найти различия между двумя PDF-файлами?
Конвертируйте оба файла в структурированный текст, например через Docling, который сохраняет заголовки и таблицы, и сравните их раздел за разделом инструментом diff. Локальная модель добавит перечень существенных изменений. Сканы сначала проходят OCR с поддержкой кириллицы.
Справится ли локальная модель с договором на украинском?
Карточка Qwen3.8-27B перечня языков не приводит, поэтому перед работой прогоните тест на десяти парах своих документов на украинском и русском.
Сколько страниц договора вмещает модель?
Qwen3.8-27B читает до 262 144 токенов, то есть две полные редакции длинного договора с запасом. Договор на 40 страниц, по нашей оценке, занимает около 40 000 токенов. В режиме diff каждый запрос содержит только один изменённый пункт с контекстом.
Какая видеокарта нужна для сравнения документов?
По нашему правилу RTX PRO 4500 на 32 ГБ держит Qwen3.8-27B в NVFP4 с одним запросом на 128K токенов, а RTX PRO 5000 на 48 ГБ с четырьмя. Сборку FP8 держат RTX PRO 5000 на 72 ГБ (семь запросов) и RTX PRO 6000 на 96 ГБ (тринадцать).
Что из этого есть в ETE
- NVIDIA RTX PRO 5000 Blackwell 48 ГБ: станция для отдела, четыре запроса по 128K в NVFP4 при 300 Вт.
- NVIDIA RTX PRO 4500 Blackwell 32 ГБ: начальный уровень для одного сотрудника, один запрос по 128K за раз.
- NVIDIA RTX PRO 6000 Blackwell Workstation 96 ГБ: сборка FP8 и 13 запросов на карту для нескольких отделов.
- ETE AI Workstation: готовая станция с RTX PRO 6000 на 96 ГБ, которую можно расширить до двух карт Max-Q.
Какая станция нужна под ваши договоры и ТЗ?
Напишите, какие документы вы сравниваете, на каких языках, какого они обычно объёма, сколько сравнений в месяц и могут ли данные выходить за пределы вашей сети. ETE посчитает конфигурацию, а при необходимости инженеры Vixen.UNO установят Docling, скрипт сравнения и локальную модель.