---
title: "Очередь ручной проверки документов: правила и выборка"
description: "Как устроить ручную проверку в конвейере распознавания документов: правила валидации, что отдавать человеку, случайный аудит, журнал аудита и доля проверки."
url: https://broadrouter.com/ru/blog/document-review-queues/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/document-review-queues/) (обновлён 2026-11-16).

# Ручная проверка в распознавании документов с помощью ИИ

Команда BroadNet Inference · 7 мин чтения · Опубликовано 2026-11-15 · Обновлено 2026-11-16

Считайте каждый извлечённый документ неутверждённым, пока не пройдены правила. Отправляйте его человеку, если не хватает обязательного поля, суммы не сходятся, дата или поставщик выглядят неверно или модель не уверена. Проверяйте и небольшую случайную долю чистых документов, записывайте каждое исправление в своей системе и следите за долей ручной проверки и ошибками по аудиту.

## Главное

-   Что увидит человек, решают правила валидации. Уверенность самой модели — лишь ещё один сигнал, а опубликованные исследования показывают, что LLM, называя свою уверенность, её завышают.
-   Каждый документ в очереди должен нести машиночитаемые причины, например arithmetic или vendor:unknown: проверяющий знает, куда смотреть, а вы — какое правило чинить.
-   Проводите аудит случайной выборки автоматически утверждённых документов. Ноль ошибок на 50 проверенных документах всё ещё допускает истинную долю ошибок примерно до 7% (95-процентный интервал Уилсона).
-   Журнал аудита ведите сами: хеш изображения, ID модели, версия промпта, ответ, сработавшие правила и исправление проверяющего. API с нулевым хранением данных не хранит копию содержимого.
-   Каждую неделю следите за тремя числами: доля ручной проверки, главные причины отправки на проверку и доля ошибок среди автоматически утверждённых документов по данным аудита.

**На этой странице**

1.  Что должно решать, проверяет ли документ человек?
2.  Стоит ли доверять уверенности модели?
3.  Как распределять документы по очередям?
4.  Что меняется для арабских и английских счетов?
5.  Что должен видеть проверяющий?
6.  Зачем проверять выборку документов, прошедших все правила?
7.  Как вести журнал аудита?
8.  Как измерять долю ручной проверки?
9.  Где здесь BroadNet Inference

Vision-модель умеет читать счёт, но может и неверно прочитать цифру, пропустить строку или придумать поле, которого нет. Одним лучшим промптом это не исправить. Нужен шаг проверки, заложенный с первого дня: правила, которые решают, какие документы увидит человек, очередь, которая объясняет ему почему, и журнал, который позволяет доказать долю ошибок.

Эта статья — про этот шаг. Само извлечение (подготовка изображения, промпт для JSON, валидация по схеме и повторы) описано в статье [извлечение данных из документов с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/), а чтение арабского текста — в руководстве [чтение арабских счетов с помощью vision](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/). Здесь мы считаем, что JSON вы уже получаете, и вам нужно решить, чему доверять.

## Что должно решать, проверяет ли документ человек?

Правила, которые можно проверить в коде, а не ощущение от модели. Начните с этих, в порядке пользы:

| Правило | Пример кода причины | Почему это важно |
| --- | --- | --- |
| Нет обязательного поля | `missing:total` | null — честный ответ; угаданное значение хуже |
| Суммы не сходятся | `arithmetic:subtotal+tax!=total` | Одна неверно прочитанная цифра почти всегда ломает сумму |
| Строки не складываются | `arithmetic:lines!=subtotal` | Ловит пропущенные или задвоенные строки |
| Дата не разбирается или вне диапазона | `date:unparsed` | Ловит перестановку дня и месяца и шум OCR |
| Неизвестный налоговый номер поставщика | `vendor:unknown` | С этого начинаются и новые поставщики, и мошенничество |
| Неожиданная валюта | `currency:unexpected` | Неверно прочитанный символ меняет сумму |
| Модель говорит, что не уверена | `model:not_confident` | Подсказка, но никогда не единственный фильтр |

Два решения делают очередь удобной. Во-первых, каждое правило выдаёт короткий стабильный код причины: проверяющий открывает документ, уже зная, что проверять, а вы можете посчитать, какое правило срабатывает чаще всего. Во-вторых, документ либо проходит все правила, либо идёт к человеку. Избегайте взвешенных оценок, которые никто не сможет объяснить аудитору.

## Стоит ли доверять уверенности модели?

Считайте её слабым сигналом. Можно попросить модель оценить каждое поле как high, medium или low, и она это сделает. Но Xiong et al. (ICLR 2024) сравнили способы заставить LLM называть свою уверенность и выяснили, что модели «tend to be overconfident» (перевод: «склонны к излишней уверенности»), когда говорят, насколько уверены; лучшие промпты и сэмплирование помогали, но ни один метод стабильно не превзошёл остальные. Ещё один вариант на некоторых API — логарифмы вероятностей токенов. В справочнике API BroadNet `logprobs` не описаны, так что не стройте на них решение там.

Практическое правило: всё, что ниже «high», или отсутствие оценки от модели отправляет документ на проверку, но «high» никогда не отменяет проверки в коде. После нескольких сотен проверенных документов посмотрите, действительно ли у полей с «high» было меньше исправлений. Если нет — уберите этот сигнал.

## Как распределять документы по очередям?

Этот маршрутизатор запускается после извлечения и валидации. Он нормализует арабско-индийские цифры, применяет правила выше и выбирает одну из трёх очередей: `review`, `audit_sample` или `auto`. Это обычный Python без вызовов API, так что его можно покрыть модульными тестами.

```python
import hashlib, json, random, re, time
from datetime import date, datetime
from decimal import Decimal, InvalidOperation

REQUIRED = ["vendor_name", "invoice_number", "invoice_date", "currency", "subtotal", "tax", "total"]
CURRENCIES = {"SAR", "AED", "USD", "EUR"}
KNOWN_VENDORS = {"300000000000003": "Example Trading Co"}   # your supplier master: tax ID -> name
AUTO_SAMPLE_RATE = 0.05          # share of clean documents a person still checks
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹٫٬", "01234567890123456789.,")

def money(v):
    """'١٬٢٥٠٫٥٠' or '1,250.50' -> Decimal('1250.50'); None if it is not a number."""
    if v is None:
        return None
    s = str(v).translate(DIGITS).replace(",", "").strip()
    try:
        return Decimal(s)
    except InvalidOperation:
        return None

def check(doc: dict, today: date) -> list[str]:
    """Return the reasons this document needs a person. Empty list = may auto-approve."""
    reasons = [f"missing:{f}" for f in REQUIRED if doc.get(f) in (None, "")]
    sub, tax, tot = (money(doc.get(k)) for k in ("subtotal", "tax", "total"))
    if None not in (sub, tax, tot) and abs(sub + tax - tot) > Decimal("0.01"):
        reasons.append("arithmetic:subtotal+tax!=total")
    lines = [money(l.get("amount")) for l in doc.get("lines", [])]
    if lines and None not in lines and sub is not None and abs(sum(lines) - sub) > Decimal("0.01"):
        reasons.append("arithmetic:lines!=subtotal")
    try:
        d = datetime.strptime(str(doc.get("invoice_date", "")).translate(DIGITS), "%Y-%m-%d").date()
        if d > today or (today - d).days > 400:
            reasons.append("date:out_of_range")
    except ValueError:
        reasons.append("date:unparsed")
    if doc.get("currency") and doc["currency"] not in CURRENCIES:
        reasons.append("currency:unexpected")
    if doc.get("vendor_tax_id") not in KNOWN_VENDORS:
        reasons.append("vendor:unknown")
    if doc.get("model_confidence", "low") != "high":   # a hint from the prompt, never the only gate
        reasons.append("model:not_confident")
    return reasons

def route(doc_id: str, doc: dict, today: date, rng=random.random) -> dict:
    reasons = check(doc, today)
    if reasons:
        queue = "review"
    elif rng() < AUTO_SAMPLE_RATE:
        queue, reasons = "audit_sample", ["sample:random"]
    else:
        queue = "auto"
    return {"doc": hashlib.sha256(doc_id.encode()).hexdigest()[:16], "queue": queue,
            "reasons": reasons, "ts": int(time.time())}
```

Мы проверили его на трёх выдуманных саудовских счетах (поставщик и налоговый номер вымышленные). Чистый счёт, где дата и промежуточный итог записаны арабско-индийскими цифрами (٢٠٢٦-١١-٠٢ и ١٬٠٠٠٫٠٠), ушёл в `auto`. Тот же счёт с итогом, неверно прочитанным как 1,105.00, ушёл в `review` с `arithmetic:subtotal+tax!=total`. Счёт с неизвестным налоговым номером, 13-м месяцем и уверенностью «medium» ушёл в `review` с тремя причинами: `date:unparsed`, `vendor:unknown` и `model:not_confident`. Когда мы принудительно сделали случайное число меньше 0.05, чистый счёт ушёл в `audit_sample`.

Два ограничения, о которых стоит знать. Функция `money()` рассчитана на точку или арабский десятичный разделитель; европейской записи «1.150,00» нужен свой парсер, выбираемый по стране поставщика. А правило для даты предполагает, что модель вернула даты в формате ISO. Даты по хиджре сначала нужно преобразовать, как в статье [извлечение именованных сущностей из арабского текста](https://broadrouter.com/ru/blog/arabic-named-entity-extraction-llm/).

## Что меняется для арабских и английских счетов?

В странах Персидского залива двуязычные счета — обычное дело: арабские и английские подписи рядом, суммы западными или арабско-индийскими цифрами, название поставщика на двух письменностях. Помогут несколько правил:

-   **Нормализуйте цифры перед любой проверкой.** Переведите ٠–٩ и персидские ۰–۹ в 0–9, а арабские десятичный разделитель и разделитель тысяч (٫ и ٬) — в их ASCII-формы. Потом сравнивайте.
-   **Сопоставляйте поставщиков по налоговому номеру, а не по названию.** Арабское и английское названия редко совпадают с вашим справочником символ в символ. Регистрационный номер совпадает.
-   **Показывайте проверяющему оба названия.** Выводите извлечённые арабское и английское названия поставщика рядом с записью справочника, а арабский текст — в изолированном блоке с направлением справа налево. Двунаправленный вывод разобран в статье [дизайн многоязычного продукта](https://broadrouter.com/ru/blog/multilingual-product-design/).
-   **Проверьте, есть ли структурированный счёт.** В Саудовской Аравии ZATCA ведёт электронное выставление счетов (Fatoorah) в две фазы — с 4 декабря 2021 года и с 1 января 2023 года, — построенное вокруг счетов в структурированном электронном формате. Если поставщик может прислать такой счёт, разбирайте его, а не его картинку, и оставьте vision для бумаги, фотографий и редких случаев.

О самом чтении — диакритике, смешанных письменностях и вёрстке — рассказывает статья [арабский OCR с помощью vision LLM](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/).

## Что должен видеть проверяющий?

Хороший экран проверки отвечает на один вопрос для каждого кода причины. Для `arithmetic` покажите строки, промежуточный итог, налог и итог рядом с вычисленной суммой. Для `vendor:unknown` — извлечённый налоговый номер и ближайшие записи справочника. Для `date:unparsed` — сырой текст даты и фрагмент изображения, откуда он взят.

Показывайте изображение рядом с полями, а не в другой вкладке. Дайте проверяющему исправить поле, утвердить документ или отклонить его как нечитаемый. Записывайте, какое действие он выбрал. «Нечитаемый» — полезные данные: если 10% документов какого-то поставщика нечитаемы, просите PDF у поставщика, а не чуда у модели.

## Зачем проверять выборку документов, прошедших все правила?

Потому что правила ловят только те ошибки, о которых вы подумали. Если модель неверно прочитает строку, промежуточный итог и итог на одну и ту же величину (смазанная 7, прочитанная как 1 во всех трёх местах), все суммы по-прежнему сходятся и ни одно правило не срабатывает. Найти такие ошибки можно только одним способом — смотреть документы, которые никто не отметил.

Берите выборку случайно, а не по выбору, и считайте, сколько документов потребовали исправления. Маленькая выборка даёт широкий диапазон. С 95-процентным интервалом Уилсона, который справочник NIST описывает для долей (ссылаясь на рекомендации Агрести и Коула, а также Брауна, Цая и ДасГупты), наш код метрик ниже даёт:

| Проверено документов, ошибок не найдено | Истинная доля ошибок всё ещё может достигать |
| --- | --- |
| 50 | около 7,1% |
| 300 | около 1,3% |

Так что «мы проверили 50 и ничего не нашли» не означает, что доля ошибок ниже 1%. Увеличивайте выборку после любого изменения промпта, модели или состава документов и уменьшайте её постепенно.

## Как вести журнал аудита?

Записывайте исправления в своей системе. Для каждого документа нужна строка с:

-   хешем SHA-256 исходного файла (и местом, где хранится сам файл, по вашим правилам хранения);
-   ID модели, версией промпта и сырым JSON, который вернула модель;
-   ID запроса у провайдера (BroadNet возвращает его в заголовке `X-Request-ID`) для обращений в поддержку;
-   результатами правил и очередью;
-   проверяющим, временем, действием и значением каждого исправленного поля до и после.

С API с нулевым хранением данных это важнее. Заявление BroadNet о конфиденциальности говорит, что её шлюз не хранит промпты, изображения, ответы и расшифровки, а хранит только записи об аккаунте, оплате, трафике и безопасности без содержимого. Для чувствительных счетов это хорошо, но значит, что никто у провайдера не сможет показать вам, что модель видела или ответила в прошлом месяце. Ваш журнал — единственная запись. Не храните в нём ничего лишнего; что записывать и что маскировать, разобрано в статье [логирование использования LLM API](https://broadrouter.com/ru/blog/llm-api-usage-logging/).

## Как измерять долю ручной проверки?

Запускайте это раз в неделю по журналу маршрутизации, присоединив к нему исправления:

```python
import math
from collections import Counter

def wilson(errors: int, n: int, z: float = 1.96) -> tuple[float, float]:
    """95% Wilson score interval for an error rate seen in a sample."""
    if n == 0:
        return (0.0, 1.0)
    p = errors / n
    centre = (p + z * z / (2 * n)) / (1 + z * z / n)
    half = z * math.sqrt(p * (1 - p) / n + z * z / (4 * n * n)) / (1 + z * z / n)
    return (max(0.0, centre - half), min(1.0, centre + half))

def report(log: list[dict]) -> dict:
    queues = Counter(r["queue"] for r in log)
    reasons = Counter(x.split(":")[0] for r in log if r["queue"] == "review" for x in r["reasons"])
    audited = [r for r in log if r["queue"] == "audit_sample"]
    wrong = sum(1 for r in audited if r.get("corrected_fields"))
    lo, hi = wilson(wrong, len(audited))
    return {"documents": len(log),
            "review_rate": round(queues["review"] / len(log), 3),
            "top_reasons": reasons.most_common(3),
            "audited": len(audited), "audited_with_errors": wrong,
            "auto_error_rate_95ci": (round(lo, 4), round(hi, 4))}
```

На синтетической неделе из 1000 документов (760 в auto, 190 на проверке, 50 в аудите, из них 2 потребовали исправления) код выдал долю проверки 0.19, `vendor` как главную причину со 120 срабатываниями и долю ошибок по аудиту от 1,1% до 13,5%. Этот последний диапазон и есть честный ответ на вопрос «насколько точна автоматизация?» при таком размере выборки.

Смотрите на три числа вместе:

-   **Доля проверки падает, ошибки по аудиту не меняются:** правило было слишком строгим или модель стала лучше. Хорошо.
-   **Доля проверки падает, ошибки по аудиту растут:** правило слишком мягкое. Ужесточите его, пока ошибки не попали в учёт.
-   **Одна причина преобладает:** устраните её источник. Если лидирует `vendor:unknown`, обновите справочник поставщиков; если `arithmetic` — посмотрите на качество изображений или попробуйте другую модель на тех же документах по методу из статьи [оценка LLM перед переходом](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/).

## Где здесь BroadNet Inference

BroadRouter — собственный сайт BroadNet. По данным её [прайс-фида](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-document-review-queues&utm_content=body), BroadNet Inference предлагает три чат-модели, принимающие изображения: [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) ($0.175 за вход / $2.17 за выход за 1 млн токенов, структурированный вывод задокументирован), [Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) ($0.10 / $0.22, доступна на стартовом гранте $5) и [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) ($0.175 / $0.52). При оплате по факту изображения считаются входными токенами; оценить их поможет [калькулятор токенов изображений](https://broadrouter.com/tools/image-token-calculator/). Содержимое запросов к инференсу не хранится; необходимые метаданные аккаунта, оплаты и безопасности хранятся, как описано в [заявлении о конфиденциальности](https://www.broadnet.ai/inference-privacy) BroadNet. Очереди проверки и журнала аудита BroadNet не предоставляет, так что маршрутизацию и записи, описанные выше, вы строите и храните сами.

Бесплатные инструменты по теме (на английском)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Визуально-языковая модель (VLM)](https://broadrouter.com/ru/glossary/vision-language-model/)

Визуально-языковая модель (vision-language model, VLM) — это модель, которая принимает на вход изображения вместе с текстом и выдаёт текст, поэтому может описывать картинки, отвечать на вопросы о них и читать документы, графики и скриншоты. VLM также называют моделями image-text-to-text или мультимодальными моделями.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Распознавание именованных сущностей (NER)](https://broadrouter.com/ru/glossary/named-entity-recognition/)

Распознавание именованных сущностей (NER) — это задача найти в тексте имена и присвоить каждому тип, например «персона», «организация» или «место». Классические системы размечают каждый токен; у LLM вместо этого обычно просят вернуть список сущностей в JSON, который затем сверяют с исходным текстом.

[Eval (оценка LLM)](https://broadrouter.com/ru/glossary/eval/)

Eval (сокращение от evaluation, «оценка») — это воспроизводимый тест языковой модели или промпта: фиксированный набор входов, описание того, как выглядит хороший ответ, и оценщик (код, человек или другая модель), который выставляет оценку каждому ответу, чтобы версии можно было сравнивать.

[Logprobs (логарифмы вероятностей токенов)](https://broadrouter.com/ru/glossary/logprobs/)

Logprobs — это логарифмы вероятностей, которые языковая модель присвоила сгенерированным токенам. API, который их возвращает, показывает для каждого выходного токена, насколько вероятным его сочла модель, и при желании — самые вероятные альтернативные токены на этой позиции.

## Вопросы и ответы

### Какие счета отправлять на ручную проверку при автоматическом распознавании?

Всё, что не прошло правило: нет обязательного поля, строки или налог не сходятся с итогом, дата не разбирается или вне допустимого диапазона, поставщик неизвестен, валюта неожиданная или модель сообщает уверенность ниже «high». Добавьте небольшую случайную выборку документов, прошедших все правила.

### Можно ли пропускать проверку по оценке уверенности модели?

Только по ней — нет. Исследование заявленной уверенности (Xiong et al., ICLR 2024) показало, что LLM склонны к излишней уверенности. Используйте её как один сигнал рядом с проверками в коде и сверьте на своих размеченных данных, действительно ли «high» означает меньше ошибок.

### Сколько автоматически утверждённых документов нужно проверять?

Столько, чтобы ограничить важную для вас долю ошибок. Если ошибок не найдено, 50 проверенных документов ограничивают истинную долю примерно 7% (верхняя граница 95-процентного интервала Уилсона), а 300 — примерно 1,3%. Увеличивайте выборку, когда меняются правило, промпт или модель.

### Какая доля ручной проверки считается нормальной?

Универсальной цифры нет. Начните с высокой доли и снижайте её только пока доля ошибок среди автоматически утверждённых документов по аудиту остаётся в пределах допустимого. Если доля проверки падает, а ошибки по аудиту растут, какое-то правило слишком мягкое.

### Где хранить журнал аудита?

В своей базе данных. Храните хеш исходного файла, ID модели, версию промпта, сырой ответ, результаты правил, проверяющего и исправленные значения. Если провайдер не хранит содержимое запросов — а BroadNet говорит это о своём API для инференса, — восстановить его потом не сможет никто.

## Читайте также

-   [Распознавание счетов, чеков и форм в JSON с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/)
-   [OCR арабского или vision-LLM: как читать арабские документы и счета](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/)
-   [JSON mode или json\_schema: надёжный структурированный вывод LLM](https://broadrouter.com/ru/blog/structured-output-json-schema/)
-   [Как оценить LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/)
-   [Логирование LLM API: стоимость по пользователям и функциям без ПДн](https://broadrouter.com/ru/blog/llm-api-usage-logging/)
-   [Как исправить невалидный JSON от LLM: причины, починка, повтор](https://broadrouter.com/ru/blog/fix-invalid-json-from-llm/)
-   [GPU-парк и подход к инференсу BroadNet — по описанию самой BroadNet](https://broadrouter.com/ru/blog/broadnet-gpu-fleet-and-serving/)
-   [Кэширование ответов LLM API: кэш точных совпадений на Python](https://broadrouter.com/ru/blog/cache-llm-responses-cut-cost/)
-   [Руководство: Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/)
-   [Руководство: OpenAI Python SDK и BroadNet Inference](https://broadrouter.com/ru/guides/openai-python-sdk/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-document-review-queues&utm_content=page-cta) ·

**Источники**

-   [Xiong et al., Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs, ICLR 2024 (дата обращения 2026-11-15)](https://arxiv.org/abs/2306.13063)
-   [NIST/SEMATECH e-Handbook of Statistical Methods, 7.2.4: доверительные интервалы для доли, метод Уилсона (дата обращения 2026-11-15)](https://www.itl.nist.gov/div898/handbook/prc/section2/prc241.htm)
-   [ZATCA, электронные счета-фактуры (Fatoorah): фаза 1 с 4 декабря 2021 года, фаза 2 с 1 января 2023 года (дата обращения 2026-11-15)](https://zatca.gov.sa/en/E-Invoicing/Pages/default.aspx)
-   [Справочник BroadNet Inference API: чат с изображением, структурированный вывод, X-Request-ID, обработка данных (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-document-review-queues&utm_content=sources)
-   [pricing.json BroadNet Inference: модальности и цены моделей (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-document-review-queues&utm_content=sources)
-   [Заявление BroadNet Inference о конфиденциальности и хранении данных (дата обращения 2026-11-15) (на английском)](https://www.broadnet.ai/inference-privacy)
