Каждый, кто пробовал внедрить искусственный интеллект в разбор реальной корпоративной первички — бухгалтерских актов, договоров с рукописными правками, таможенных деклараций или банковских выписок — быстро сталкивался с суровой реальностью.
Сначала ты надеешься на старый добрый OCR по шаблонам (вроде Abbyy или Tesseract). Но стоит контрагенту сдвинуть логотип на два сантиметра вправо, как шаблон ломается. Затем ты решаешь: «Хватит мучений, скормлю сканы флагманской мультимодальной нейросети!». Мы уже тестировали поведение GPT-6 Astra в реальной практике и проводили независимый аудит архитектуры GPT-6 Astra. И если на простых задачах модель блестит, то при скармливании пачки из 50 страниц сложного баланса счет за токены моментально пробивает потолок, а сама модель начинает путать строки во вложенных таблицах.
Компания NACE.AI предложила специализированный выход из этого тупика, выпустив модель NDI 1.0 (Neural Document Intelligence). Модель позиционируется как выделенный «уровень восприятия» (Perception Layer) для ИИ-агентов и обходит тяжелые мультимодальные сети по точности извлечения данных при 10-кратном снижении вычислительных затрат.
Почему универсальные LLM спотыкаются о таблицы
Давай посмотрим на физику процесса. Универсальная мультимодальная модель вроде GPT Astra обучалась на всем интернете: картинах художников, скриншотах сайтов, мемах и коде. Когда ты загружаешь в нее многостраничный PDF, она разбивает изображение на сотни патчей и тратит колоссальное количество внимания на попытки связать несвязанные визуальные области. В итоге токен из шапки таблицы может легко перепутаться со значением в соседней колонке.
NDI 1.0 изначально спроектирована под геометрию документов. Вместо плоского растрового анализа модель напрямую выравнивает визуальные OCR-токены со структурой разметки. Она видит не просто набор пикселей, а математическую сетку: координаты строк, границы колонок и логическую вложенность. Именно поэтому обработка страницы обходится в 10 раз дешевле, чем запуск тяжелого мультимодального инференса.
Архитектура 5-в-1: как устроен конвейер
Инженеры NACE.AI упаковали в NDI 1.0 сразу пять прикладных инструментов, которые раньше приходилось собирать из разных библиотек:
- Парсинг (Parse): всеядная конвертация более чем 36 форматов (PDF, сканы, TIFF, DOCX, таблицы Excel, мятые кассовые чеки) в чистый структурированный Markdown с идеальным сохранением вложенных таблиц.
- Разделение пачек (Split): если бухгалтер отсканировал в один PDF-файл договор, акт приема-передачи и счет-фактуру, NDI автоматически находит границы и делит файл на три независимых документа.
- Классификация (Classify): мгновенное определение типа документа по внутренней таксономии без необходимости писать жесткие регулярные выражения.
- Структурированное извлечение (Extract): вытягивание полей строго по заданной JSON-схеме с честной фиксацией статуса (
found— найдено,missing— отсутствует,ambiguous— требует уточнения). - Заземление на оригинал (Ground): самая ценная фича для бухгалтеров и юристов. Каждая извлеченная цифра сопровождается точными экранными координатами полигона (Bounding Box) на исходной странице скана.
Разбор сложного таможенного инвойса
Представь сканированную таможенную декларацию, где на полях от руки вписан номер дополнительного соглашения, а таблица товаров разбита на три страницы. При вызове NDI 1.0 система не просто возвращает JSON со списком артикулов, но и привязывает каждое число к физическому квадрату на скане. Оператор в веб-интерфейсе кликает по сумме налога — и система моментально подсвечивает желтым маркером конкретную строчку в нижней части второй страницы. Аудит занимает пару секунд.
Интеграция в агентный контур через MCP
NDI 1.0 создавалась не как изолированное веб-окно, а как строительный блок для автоматизации. Платформа поставляется с собственной CLI-утилитой ndi и готовым сервером Model Context Protocol (MCP). Это означает, что кодинг-ассистенты в Claude Code или Cursor могут вызывать распознавание документов прямо из своего терминала как нативную функцию операционной системы.
Где границы применимости? NDI 1.0 — узкий профессионал. Ты не сможешь попросить ее написать продающий текст или порассуждать о философии. Кроме того, на экстремально зашумленных физических сканах (если документ залит кофе или сфотографирован на телефон в темноте под углом в 45 градусов) точность рукописных цифр снижается. В таких пограничных сценариях система честно ставит флаг ambiguous и отправляет файл на валидацию живому оператору. Но для 95% белого корпоративного документооборота это именно то звено, которого не хватало агентным пайплайнам.