Чем сервис по нормам отличается от ChatGPT с поиском?
Не языковой моделью, а тем, что стоит между вопросом и ответом. У сервиса под нормы это зафиксированный корпус документов в известных редакциях и поисковый контур, который ищет по номеру пункта, по таблице и по термину, а затем дотягивает связанные узлы — примечания и отсылки к смежным нормам. Универсальный поиск ищет по вебу, где рядом лежат отменённые редакции и пересказы с форумов.
Чем подтверждён ответ
-
Собственное исследование SP-AI, июль 2026 — сравнение с GPT-5.5: достоверность ссылок 4,25 против 3,60
-
Устройство поискового контура — планировщик, поисковый агент, курация контекста
Разница на цифрах
Сильнейший универсальный генералист в нашем измерении — GPT-5.5. Агрегат по пяти судьям:
| Ось | SP-AI | GPT-5.5 |
|---|---|---|
| Полнота ответа | 4,17 | 4,14 |
| Практическая применимость | 4,26 | 4,19 |
| Фактическая корректность | 4,35 | 4,01 |
| Работа с нормативной базой | 4,32 | 3,81 |
| Достоверность ссылок | 4,25 | 3,60 |
Полнота — фактически паритет: 4,14 против 4,17. Разрыв весь на доказательных осях. Это и есть ответ на вопрос: универсальная модель понимает инженерную задачу не хуже, она хуже подтверждает ответ.
Три конкретных различия
Корпус зафиксирован. Известно, какие документы и в каких редакциях лежат в базе. Веб-поиск выдаёт то, что лучше проиндексировано, а не то, что действует: отменённые редакции живут в сети дольше действующих, потому что на них накоплено больше ссылок.
Поиск знает, что такое пункт. Точечный поиск по номеру, работа с таблицами, навигация по оглавлению, терминологический слой — это разные инструменты, и выбираются они под задачу. Векторное сходство само по себе на нормативных документах работает плохо: минимальная единица хранения не совпадает с минимальной единицей смысла.
Контекст дотягивается по связям. Найти похожий фрагмент — полдела. Система подтягивает примечания, ссылки на другие нормы и соседний материал по графу документа, потому что обязательная связь между пунктами — часть нормы, а не оформление.
Когда не так
Универсальная модель выигрывает там, где вопрос выходит за корпус: общая инженерная логика, зарубежная практика, объяснение принципа. Наша система в такой ситуации скорее откажется отвечать, чем сочинит, — она единственная из шести в измерении сколько-нибудь заметно отказывается, 7 раз против 0–3 у остальных.
Это разные инструменты под разные задачи. Если ответ надо будет защищать ссылкой на пункт — нужен корпус. Если нужно разобраться в принципе — достаточно любой сильной модели.
Ссылки сверены с текстом документов
Смежные вопросы
- Что такое агентный поиск по нормативным документам? Это схема, в которой языковая модель не центр системы, а её последнее звено. Запрос сначала разбирает планировщик, затем поисковый агент сам выбирает инструменты под каждую задачу — точечный поиск по номеру пункта, гибридный поиск, работу с таблицами, навигацию по оглавлению, — найденное дотягивается по связям документа, и только потом генератор пишет ответ строго по собранному контексту.
- Можно ли доверять нейросети в вопросах по строительным нормам? Универсальной модели без доступа к корпусу нормативов — нельзя: в нашем измерении DeepSeek V4-Pro, отвечая по памяти, получил 120 пометок «выдуманная ссылка» на 400 оценок. Тот же генератор с агентным поисковым контуром по корпусу получил 8. Проверяемость даёт не размер модели, а доступ к тексту документов в момент ответа.