PDF зі скану: спершу перевірте текст, потім обирайте ШІ

Що показав український тест

В описі системи для UNLP 2026 команда обробляла українські PDF в офлайн-завданні з дев’ятигодинним лімітом. Послідовне розпізнавання сканів Tesseract зайняло 5–7 годин; на пошук і відповіді для приблизно 500 запитань лишилося близько двох. Система отримала 0,8095 на прихованому тесті й 10-те місце серед 15 команд. Бал оцінював відповідь, документ і сторінку; це не відсоток точності OCR.

Час належить одному конвеєру на визначеному обладнанні й наборі файлів. Він не прогнозує роботу вашого сервісу. Але показує, чому бал мовної моделі сам по собі не вирішує задачу зі сканами.

Як перевірити свій набір PDF

1. Візьміть кілька дозволених файлів: PDF із текстовим шаром і скани. Спробуйте знайти та скопіювати номер, назву й суму з потрібної сторінки.
2. Якщо це скан, перевірте розпізнаний текст до ШІ-відповіді: цифри, імена, таблиці й порядок колонок. Запишіть час і ручні виправлення.
3. Поставте одне запитання, для якого знаєте правильну сторінку. Вимагайте документ і сторінку; звірте їх з оригіналом.
4. Якщо результат має потрапити в облік, погоджуйте конкретні поля й запис окремо. Збережіть можливість відкотити зміну.

Це план власної перевірки, не тест, який ми провели. Один український опис фінансового агента залишає проведення записів за явним людським погодженням; він не доводить, що інший ШІ відпрацює так само. Окремий запит користувача BAS стосується саме сканованих рахунків, актів і накладних, але не вимірює попит чи якість сервісів.

Чого ще немає

Немає нашого порівняння OCR-сервісів на однакових українських сканах, часу правок або надійності перенесення в облік. Локальний RAG-маршрут із попереднього огляду — технічний пілот, не готова підписка. Якщо файл конфіденційний, почніть із дозволеного маршруту даних; не завантажуйте його в пробний сервіс лише заради тесту.