AI-суммаризация длинных текстов в мобильном приложении

AI-суммаризация длинных текстов: как уместить всё в контекстное окно

Суммаризация длинного текста сразу упирается в ограничение контекстного окна модели. GPT-4o принимает 128K токенов (примерно 100K слов), Claude 3 — 200K. На первый взгляд этого достаточно, но юридические договоры на 200 страниц, технические отчёты или книги часто превышают лимит. Даже если текст влезает, длинный контекст увеличивает стоимость и задержку ответа. Например, типовой договор поставки может содержать 150 страниц мелкого текста — прямой запрос будет стоить ~$0.03 за обработку, но результат может быть неполным из-за эффекта "потеря середины". Об этом говорит исследование Lost in the Middle — модель хуже запоминает информацию из середины документа. Поэтому для больших документов нужны стратегии декомпозиции.

Мы используем три основные стратегии: прямую суммаризацию, Map-Reduce и Refine. Каждая подходит для своего объёма и требований к качеству. Ниже — детали.

Стратегии для текстов разной длины

Прямая суммаризация — работает для текстов до 50–80K токенов. Отправляем весь текст одним запросом, просим суммаризировать. Просто, дёшево по реализации. Ограничение — стоимость токенов и latency (модель обрабатывает большой контекст медленнее).

Map-Reduce — для текстов, не влезающих в контекст. Разбиваем на чанки → суммаризируем каждый чанк → суммаризируем суммари:

async def map_reduce_summarize(text: str, chunk_size: int = 4000) -> str:
    chunks = split_text(text, chunk_size)
    chunk_summaries = await asyncio.gather(*[
        summarize_chunk(chunk) for chunk in chunks
    ])
    combined = "\n\n".join(chunk_summaries)
    if count_tokens(combined) > chunk_size:
        return await map_reduce_summarize(combined, chunk_size)
    return await summarize_final(combined)

asyncio.gather — параллельные запросы к API для всех чанков одновременно. Для 10 чанков время почти такое же, как для одного.

Refine — суммаризируем первый чанк, потом уточняем суммари с каждым следующим чанком. Итоговое суммари последовательно обогащается. Качество выше, чем Map-Reduce для связных нарративных текстов, но медленнее — запросы последовательные.

Как управлять токенами и избежать ошибок?

Главная ошибка — не считать токены до отправки. tiktoken (Python) или gpt-tokenizer (JS) дают точный подсчёт:

import tiktoken

enc = tiktoken.encoding_for_model("gpt-4o")
token_count = len(enc.encode(text))

if token_count < 100_000:
    return await direct_summarize(text)
elif token_count < 500_000:
    return await map_reduce_summarize(text, chunk_size=8000)
else:
    return await map_reduce_summarize(text, chunk_size=4000)

Разные типы суммари — разные промпты:

• Executive summary (для руководителей): 3–5 предложений, только ключевые решения и цифры
• Детальный пересказ: структурированный список с подзаголовками
• Список ключевых пунктов: буллеты без связного текста
• Ответ на вопрос: «что это за документ и что в нём нужно сделать»

На мобильном — предлагаем пользователю выбрать тип суммари перед запуском.

Как избежать дублирования в суммаризации?

При Map-Reduce финальная суммаризация может повторять похожие пункты из разных чанков. Дублирование устраняется явным указанием в промпте: «Объедини похожие пункты, не повторяй одну мысль дважды». Для юридических и финансовых документов используем structured output в формате JSON с фиксированными полями (parties, obligations, deadlines, key_figures). Это надёжнее свободного текста.

Как настроить суммаризацию для вашего документа

1. Определите максимальный размер контекста модели (например, 128K для GPT-4o).
2. Разбейте текст на чанки по 4–8K токенов с учётом границ абзацев.
3. Выберите стратегию: прямая — для коротких текстов, Map-Reduce — для средних, Refine — для связных нарративов.
4. Настройте промпты для каждого типа суммари (executive, детальный и т.д.).
5. Реализуйте кеширование по хешу документа и отправку прогресса через SSE.

Прогресс суммаризации на мобильном

Суммаризация 100-страничного документа занимает 15–60 секунд. Без индикатора прогресса — плохой UX. Серверная часть отправляет события через SSE:

event: progress
data: {"step": "chunking", "total_chunks": 12, "completed": 0}

event: progress
data: {"step": "summarizing", "total_chunks": 12, "completed": 4}

event: result
data: {"summary": "...", "word_count": 450}

На мобильном клиенте — прогресс-бар с описанием шага, анимированный текст «Обрабатываю страницы 1–25...».

Кеширование

Суммаризация одного документа стоит денег. Кешируйте результат по хешу содержимого документа + типу суммари. Redis с TTL 7–30 дней — стандартный подход. Если документ изменился — инвалидация кеша по document_id.

Что входит в нашу работу?

• Анализ задачи и выбор стратегии (прямая, Map-Reduce, Refine)
• Разработка серверного pipeline с интеграцией модели
• Настройка кеширования и стриминга
• Мобильный UI с выбором типа суммари и прогресс-баром
• Тестирование на реальных документах заказчика
• Документация, обучение команды, поддержка 2 недели после запуска

Этапы и сроки

Оценим ваш проект за 1 день — свяжитесь с нами для консультации. Получите демо за 2–3 дня.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).