Как научить локальную Qwen 3.6 27B «видеть» ошибки 1С и не слить код клиента

«Глаза» для локальной Qwen 3.6 27B — это визуальный модуль, который позволяет модели читать скриншоты конфигуратора, схем обмена и текстов ошибок 1С напрямую, без ручной выгрузки в текст. В связке с дообучением на доменных данных 1С — объекты метаданных, типовые ошибки, код обработок — получается ассистент разработчика, который разбирает инциденты на месте и не отправляет код клиента во внешние сервисы.

зачем 1С-команде локальная нейросеть с «глазами»

На проекте внедрения 1С:ERP у ритейлера с 45 пользователями бухгалтер присылает разработчику скриншот из конфигуратора: документ «Поступление товаров» не проводится, на экране красная строка с кодом объекта и именем контрагента. Разработчик открывает публичный чат с ИИ и вставляет туда текст ошибки вместе с куском кода модуля проведения — так быстрее, чем листать документацию с нуля.

Но в этом же фрагменте — названия контрагентов, суммы сделок и структура складского учёта клиента, которые по договору на внедрение нельзя показывать за пределами команды. Дальше два варианта. Либо разработчик тратит время на анонимизацию каждого куска кода перед отправкой наружу и теряет 15-20 минут на инцидент вместо экономии. Либо пропускает этот шаг — и тогда любая утечка формулировок из чужой обработки уже нарушение NDA, которое в договорах на внедрение 1С почти всегда идёт со штрафом.

Ставка простая: сорванный срок опытной эксплуатации из-за того, что инцидент разбирали руками вместо часа с ИИ-подсказкой, или разговор с клиентом о том, почему фрагмент его учёта оказался в стороннем сервисе. На проектах с банками, страховыми и госзаказчиками такой разговор нередко означает конец сотрудничества, а не просто неприятный звонок. Локальная модель снимает сам вопрос выбора — код и скриншоты не покидают контур компании, потому что модель работает на своём сервере, а не в чужом облаке.

Для малого и среднего бизнеса в Москве, который заказывает внедрение 1С у подрядчика, это не абстрактная угроза: часть договоров на этом рынке прямо запрещает выгрузку конфигурации и данных за периметр компании, и подрядчик обязан это соблюдать вне зависимости от того, насколько срочно горит инцидент.

шаг 1. железо и модель: почему Qwen 3.6 27B, а не крупнее

Модель на 27 миллиардов параметров — компромисс между качеством ответов и стоимостью железа. Топовые открытые модели с сотнями миллиардов параметров требуют кластер видеокарт, который для команды из 5-10 1С-разработчиков окупается годами, если вообще окупается. 27B в квантованном виде укладывается в один сервер с одной-двумя картами достаточного объёма памяти и отвечает за секунды, а не за минуты — этого хватает, чтобы модель не превращалась в очередь ожидания посреди рабочего дня.

Отдельный вопрос — где физически стоит этот сервер. Смешивать его с рабочим сервером 1С не стоит: платформа и так требовательна к памяти и процессору под пиковой нагрузкой в момент проведения документов и построения отчётов, а нейросеть в момент инференса забирает ресурсы видеопамяти и процессора почти полностью, конкурируя с базой за то же железо. Официальные системные требования 1С дают ориентир, сколько ядер и памяти нужно самой платформе под конкретное число пользователей — от этого остатка и планируют, сколько достанется соседней машине под модель.

Держать сервер под модель на своей площадке, а не в облаке стороннего провайдера — тоже часть той же логики конфиденциальности: если данные не должны покидать контур компании, то и вычисления над этими данными должны происходить там же.

шаг 2. зрение: как модель учится читать конфигуратор и схемы обмена

Базовая Qwen 3.6 27B видит текст и изображение, но не понимает, что на скриншоте конфигуратора именно дерево метаданных, а не произвольная картинка с текстом. Визуальный модуль дообучают отдельно: на парах «скриншот — разметка», где размечено, где на экране объект конфигурации, где текст ошибки со стеком вызовов, где узел схемы обмена данными между информационными базами.

После такого дообучения модель принимает на вход скриншот целиком — окно ошибки, дерево конфигурации, консоль обмена, форму документа с подсвеченным полем — и возвращает структурированное описание: какой объект, какая строка кода, какой узел плана обмена участвует, на каком реквизите документа стоит ошибка. Разработчику не нужно вручную набирать текст ошибки или выгружать структуру метаданных в файл: он присылает картинку прямо с экрана, и модель работает с тем же контекстом, что видит перед собой человек.

Отдельно модель учат читать различия конфигураций после обновления — сравнивать скриншот дерева метаданных до и после и отмечать, какие объекты изменились, потому что именно на стыке платформенного обновления и собственных доработок чаще всего и рождаются ошибки проведения.

шаг 3. доменный датасет: 1С-специфика, которую модель не знает из коробки

Общая модель обучена на интернет-текстах и почти ничего не знает про регистр накопления, план обмена или типовые коды ошибок платформы 1С — этой терминологии просто мало в открытых источниках по сравнению с Python или JavaScript, где обучающих данных на порядки больше. Датасет для дообучения собирают из трёх источников: документация платформы, база типовых ошибок, накопленных на проектах компании за годы внедрений, и обезличенные примеры кода из завершённых проектов, где имена клиентов и коммерческие данные уже вычищены.

Отдельный пласт — история доработок. Значительная часть ошибок на боевых базах возникает не в типовом коде платформы, а в доработках 1С, которые накапливаются на проекте годами: собственные обработки, изменённые формы, встроенные проверки, нестандартные регистры. Модель, дообученная на паттернах именно таких доработок конкретной компании, узнаёт знакомые конструкции быстрее, чем универсальный ИИ, который видит код клиента впервые в жизни и вынужден каждый раз разбираться в контексте заново.

Датасет не собирают один раз и не забывают — команда добавляет в него новые случаи по ходу проекта, и через два-три месяца модель узнаёт специфику конкретной конфигурации клиента заметно точнее, чем в первую неделю после запуска.

как проверяли, что модель не выдумывает ответ

Главный риск дообученной модели — уверенно назвать неверный объект или несуществующее поле, если на скриншоте что-то нестандартное. Перед тем как разработчики начали полагаться на подсказки модели в рабочих инцидентах, ответы прогнали через контрольную выборку: 120 реальных ошибок из истории проекта, для которых заранее известен правильный диагноз.

Модель проверяли не на точность формулировки, а на то, совпадает ли названный объект метаданных и причина ошибки с тем, что реально нашёл разработчик при разборе. Ответы, где модель не была уверена, помечали отдельно и не показывали разработчику как готовый диагноз — только как черновую гипотезу, которую нужно перепроверить руками. Такой фильтр важнее скорости: подсказка, которая экономит десять минут, но один раз на двадцать случаев уводит разработчика по ложному следу, обходится дороже, чем разбор без ИИ вообще.

что получилось на реальном проекте: три варианта в сравнении

На том же проекте внедрения 1С:ERP протестировали несколько способов разбора одного и того же типа инцидента — ошибка проведения документа после планового обновления конфигурации. Время в таблице — среднее по десяти похожим случаям, а не гарантия для каждого отдельного инцидента: сложные ошибки со множеством связанных объектов разбираются дольше при любом варианте.

Разница между вторым и четвёртым вариантом по скорости не главная — важнее то, что она решает, какой вариант вообще можно использовать на проекте с NDA: облачный чат для конфиденциального клиента закрыт правилами договора ещё до того, как считать выгоду по времени. Текстовый локальный поиск без зрения работает без нарушения конфиденциальности, но заставляет разработчика вручную набирать текст ошибки и терять часть контекста, который виден только на скриншоте.

сколько это стоит и когда окупается

Настройка связки — не разовая покупка лицензии, а инженерная работа: подбор и квантование модели, дообучение визуального модуля, сборка датасета из документации и истории проекта, тесты на контрольной выборке инцидентов. Такую работу закрывают часами инженера по ставке сопровождения 1С от 3800 руб/час — обычно это 40-60 часов на первую рабочую версию под конкретную конфигурацию клиента, дальше датасет пополняется по ходу проекта без остановки основной работы команды.

Окупаемость считают через время разработчиков, которое раньше уходило на разбор ошибок вручную или на анонимизацию перед отправкой в облако. Для команды из 5-8 человек на активном проекте внедрения 1С это набирается в часы каждую неделю, особенно в периоды после обновления 1С, когда типовых конфликтов между платформой и доработками заметно больше обычного. Для компании, которая уже заказывает у подрядчика доработку 1С и регулярное сопровождение, такой ассистент встраивается в тот же контур работ, а не становится отдельным проектом с нуля.

❓ Частые вопросы

Что вообще значит «дать модели глаза» применительно к 1С?

Это визуальный модуль, дообученный распознавать скриншоты конфигуратора, дерево метаданных и схемы обмена как структуру, а не как картинку. Модель принимает скриншот экрана и сама называет объект, строку кода и причину ошибки, без ручного набора текста разработчиком.

Чем это отличается от обычного публичного чат-бота с ИИ?

Публичный чат отправляет код и скриншоты клиента на сторонний сервер — это нарушает NDA большинства договоров на внедрение 1С. Локальная модель работает на сервере компании, данные никуда не уходят, а сам ответ настроен на специфику конкретной конфигурации.

Сколько времени занимает настройка такой системы под конкретную компанию?

Первая рабочая версия — обычно 40-60 часов работы инженера: подбор и квантование модели, дообучение зрения, сборка датасета из документации и истории проекта. Дальше система дообучается на новых случаях без остановки текущей работы команды.

Нужен ли отдельный сервер под модель или хватит сервера 1С?

Отдельный сервер обязателен. Платформа 1С сама требовательна к памяти и процессору под нагрузкой, а нейросеть в момент ответа занимает ресурсы почти полностью — на одном железе они будут конкурировать и замедлять друг друга.

Подойдёт ли такой подход небольшой компании, а не только крупному внедрению?

Да, если команда разработчиков регулярно разбирает инциденты на боевой базе и работает с конфиденциальными данными клиентов. Датасет строится на истории конкретных проектов, поэтому масштаб компании влияет на объём подготовки, а не на саму возможность настройки.