Как дать ИИ прочитать PDF — три способа и цена вопроса

Первое, что стоит знать перед тем, как кидать модели PDF: она его не читает. Она на него смотрит.
Каждая страница превращается в картинку — и только потом модель разбирает, что там нарисовано. Отсюда все странности: почему скан работает так же, как обычный документ; почему таблица иногда съезжает; и почему отчёт на сто страниц стоит заметно дороже, чем сто страниц текста.
Разберём три способа скормить PDF — от «за 30 секунд» до «для тысячи документов».
Сначала цифры, чтобы не было сюрпризов
Лимиты у флагманов сейчас такие (август 2026, из официальных доков):
- Gemini API: до 1000 страниц и 50 МБ на документ. Каждая страница считается как 258 токенов. Файл через Files API хранится 48 часов, само хранение бесплатное.
- Claude API: до 32 МБ на весь запрос и до 600 страниц (или 100, если у модели окно меньше миллиона токенов). Одна страница — примерно 1500–3000 текстовых токенов плюс токены картинки, потому что страницу ещё и «фотографируют».
Разница в подсчёте не опечатка — модели по-разному тарифицируют документ. Практический вывод один: PDF на 100 страниц — это не «сто страничек», а десятки тысяч токенов в каждом запросе. И если ты задашь пять вопросов подряд, документ уедет пять раз — каждый раз целиком.
Способ 1. Перетащить в чат (30 секунд)
Для разовой задачи — «выдерни условия из договора», «сделай саммари методички» — не пиши код. Открой чат и перетащи файл в окно.
Что важно сделать сразу: попроси цитаты. Вместо «расскажи, что тут» — «выпиши пункты про оплату и рядом укажи номер страницы». Ссылка на страницу — это твоя проверка: если модель придумала пункт, номер не сойдётся.
Минус способа один: ничего не автоматизируешь. Один файл, одни руки.
Способ 2. Отправить через API (для своего приложения)
Тут уже код. Логика одинаковая у всех провайдеров: сначала файл кладут на сервер, потом ссылаются на него в запросе.
Шаг 1. Загрузи файл. Для Gemini это Files API:
curl -s "https://generativelanguage.googleapis.com/upload/v1beta/files?key=$GEMINI_API_KEY" \
-H "X-Goog-Upload-Protocol: multipart" \
-F "metadata={'file':{'display_name':'report'}};type=application/json" \
-F "[email protected];type=application/pdf"
В ответе придёт JSON с полем uri — это адрес файла на сервере. Он и нужен дальше.
Шаг 2. Задай вопрос, сославшись на файл. Отдельно текст, отдельно ссылка на документ:
curl -s "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash:generateContent?key=$GEMINI_API_KEY" \
-H 'Content-Type: application/json' -d '{
"contents": [{"parts": [
{"file_data": {"mime_type": "application/pdf", "file_uri": "ВСТАВЬ_URI_ИЗ_ШАГА_1"}},
{"text": "Выпиши все суммы и сроки. Для каждой укажи страницу."}
]}]
}'
Шаг 3. Проси структуру, а не прозу. Если ответ пойдёт дальше в код, добавь в промпт формат: «верни JSON-массив объектов с полями page, amount, deadline». Как добиться, чтобы формат держался стабильно, разбирали в структурированном выводе.
Шаг 4. Не загружай файл заново на каждый вопрос. Ссылку из шага 1 можно переиспользовать 48 часов. Это экономит трафик, но не токены: содержимое всё равно уезжает в модель при каждом вызове.
Способ 3. Когда документ огромный или их сотня
Если PDF не влезает в лимит, документов много или вопросы задают пользователи — таскать целый файл в каждый запрос нельзя. Схема другая:
- Извлеки текст библиотекой (
pypdf,pdfplumber). Быстро и бесплатно — модель тут вообще не нужна. - Проверь, что текст извлёкся. Если на выходе пусто — перед тобой скан, картинка без текстового слоя. Тогда либо OCR, либо назад к способу 2: там страницу и так распознают как картинку.
- Порежь на куски по 300–800 слов, желательно по смысловым границам — разделам, а не по счётчику символов.
- Сложи в векторную базу и на каждый вопрос доставай 3–5 подходящих кусков. Это и есть RAG: в модель едет не весь отчёт, а пара нужных абзацев.
Да, это сильно больше работы, чем два curl'а. Зато вопрос к базе из тысячи PDF стоит столько же, сколько вопрос к одному, — а по способу 2 окно закончится на третьем документе.
Что получится
После способа 2 у тебя рабочий кусок приложения: пользователь кидает счёт или договор — сервис возвращает JSON с суммами и датами, а ты подставляешь его в свою форму. Это ровно та фича, которую пять лет назад делали командой и полгода: тогда нужен был обученный распознаватель под каждый тип бланка. Сейчас — два запроса и промпт с просьбой указывать страницы.
Модель прочитает скан или фотографию документа?
Да, если отправлять способом 1 или 2 — страница всё равно обрабатывается как изображение, это та самая мультимодальность. А вот извлечение текста библиотекой на скане вернёт пустоту: текстового слоя там нет.
Почему таблицы иногда разъезжаются?
Потому что в PDF таблица — это не таблица, а набор линий и текстовых блоков с координатами. Модель восстанавливает структуру по виду и на слитых ячейках может ошибиться. Лечится просьбой вернуть данные строкой на объект в JSON и выборочной проверкой пары строк.
Как сократить счёт за большие PDF?
Три рабочих приёма: отправлять только нужные страницы вместо всего файла; задавать все вопросы одним запросом, а не пятью; и брать модель поменьше для извлечения фактов. Остальные способы экономии — в гайде про снижение расходов на ИИ.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.





