3SELLER Journal 3SELLER →

Какая нейросеть анализирует таблицы: 6 моделей на выгрузке в 60 000 строк

22.11.2026

Приходит выгрузка на 38 тысяч строк, Excel задумывается на двадцать секунд, и ты понимаешь: руками это разгребать неделю. Дальше открываешь чат с нейросетью, кидаешь файл и получаешь либо внятный разбор с цифрами, либо уверенный бред, где сумма продаж за квартал не сходится с исходником. Между этими двумя исходами лежит не магия, а конкретика: какая модель, в каком формате файл и что ты вообще попросил.

Ответ на вопрос «какая нейросеть анализирует таблицы» звучит скучно: почти любая современная флагманская модель это умеет. Разница начинается на второй сотне строк. Одна теряет шапку, вторая путает столбцы местами, третья уверенно складывает проценты с рублями. Ниже - что я видел в работе с GPT-5, Gemini 2.5 Pro, the model 5 и свежими версиями ChatGPT на реальных файлах.

Умеют все. Работает по-разному

Любая модель с режимом работы с файлами или интерпретатором кода откроет xlsx и csv. Технически задача решена давно. Проблема в другом: таблица - не текст, а структура с типами данных. Модель должна разобрать её как данные, а не «прочитать глазами».

Когда нейросеть считает в уме, она врёт. Не от глупости: языковая модель предсказывает следующий токен, а не складывает числа в столбце. Стоит ей запустить код - pandas, формулы, группировки - и точность прыгает до нормальной. Поэтому первое, что я проверяю у любой модели: умеет ли она писать и выполнять код над таблицей, а не рассуждать о ней.

Второй момент - объём контекста. Выгрузка на 500 строк и выгрузка на 50 тысяч ведут себя по-разному даже у одного флагмана. Модель может молча обрезать файл до первых нескольких тысяч строк и сделать выводы по огрызку. Это самая частая причина фразы «нейросеть наврала с суммами», которую я слышу от людей.

GPT-5 - рабочая лошадка для Excel и CSV

Задача звучит как «разбери продажи за год, найди аномалии, собери отчёт» - и я по умолчанию иду в GPT-5. Модель ровно про это: большие объёмы строк, поиск закономерностей, нетипичные всплески и провалы, сводки по регионам и менеджерам. Структуру держит, таблицу словами не пересказывает, код для проверки собственных выводов пишет охотно.

На практике GPT-5 лучше работает с уже причёсанными данными. Плоская таблица, одна шапка, без объединённых ячеек - и результат можно нести дальше. Кривой файл из 1С с тремя уровнями заголовков она тоже разберёт, но сначала придётся попросить её нормализовать структуру.

Типовая задача, которую я гоняю регулярно: выгрузка заказов за 12 месяцев, 14 столбцов, около 60 тысяч строк. Запрос простой - тренды по месяцам, доля повторных покупок, топ-10 клиентов по выручке, аномалии. GPT-5 выдаёт сводку, таблицу с расчётами и отдельно список строк, которые выбиваются из общей картины. Последнее ценнее всего: глазами такое находишь через полдня сводных таблиц.

Gemini 2.5 Pro - когда в таблице деньги и PDF

Отдельная история - финансовая отчётность. Сюда таблица часто приходит не в xlsx, а внутри PDF, сканом, с мелким шрифтом и сносками. Gemini 2.5 Pro с его thinking-механикой в этой нише выглядит сильнее всего: тратит меньше времени на «размышления», но выдаёт аргументированный ответ, а не поток сознания.

Модель не просто читает значения из таблицы, она их интерпретирует. Сравнивает показатели за разные периоды, находит закономерности, объясняет, почему прибыль просела при росте выручки. Я проверял его на консолидированной отчётности за 2024 год: десяток страниц, россыпь таблиц с примечаниями, разбор получился связный и с корректными ссылками на конкретные строки.

Слабое место - очень большие и очень грязные выгрузки. Там, где нужно аккуратно склеить пять листов с разной структурой, я предпочту GPT-5. Где нужно понять смысл цифр в документе - Gemini.

the model 5 и the model 4 - длинные документы и несоответствия

Семейство the model я держу под другую задачу: длинные документы и поиск нестыковок. Модель спокойно анализирует объёмы, на которых другие начинают резать текст на куски, и хорошо подмечает расхождения. Классика - сверить договор с приложением, где суммы разбросаны по таблицам, или свести данные из двух отчётов, сделанных разными отделами.

Работает так: даёшь два файла, просишь найти расхождения по позициям и показать их списком с указанием строки в каждом источнике. the model 5 выдаёт именно список расхождений, а не общий пересказ. Для аудита и сверок это экономит часы.

Версии 5.1 и 5.5 у меня пошли лучше там, где таблица большая, а вопрос узкий. Раньше приходилось дробить файл на куски и собирать ответы вручную. Сейчас чаще получается за один заход.

Chat GPT 6 Astra и Chat GPT 6.1 Sol - свежие флагманы в деле

Новые версии ChatGPT на таблицах ведут себя заметно аккуратнее предшественников. Chat GPT 6 Astra меньше теряет строки на длинных выгрузках и лучше держит исходную структуру: если в файле было четыре листа, она не забудет про четвёртый. Chat GPT 6.1 Sol я беру там, где много расчётов и промежуточных шагов - например, посчитать юнит-экономику по каждому SKU и свести это в итоговую таблицу.

Chat GPT 5.5 остаётся хорошим вариантом для повседневных задач: быстрый разбор, сводка, поиск ошибок в данных. Самый тяжёлый флагман нужен не всегда, иногда достаточно модели, которая за десять секунд скажет, где в таблице пропуски и дубли.

Вывод по моделям простой: держите под рукой две-три, а не одну. Таблицы - та область, где разница между флагманами видна не в маркетинге, а в конкретном файле.

Nano Banana, картинки и видео - это не про таблицы

Про генерацию изображений и видео скажу отдельно, потому что путаница встречается часто. Nano Banana отлично делает реалистичные картинки и правки по фото, есть генерация видеороликов и голоса. К анализу таблиц это не имеет отношения, но в рабочем процессе стоит рядом: разобрал данные, сделал выводы, тут же собрал визуал для презентации или обложку для отчёта. Один инструмент вместо пяти вкладок.

Модель - половина дела. Вторая половина - файл

Самая недооценённая часть. Люди кидают в чат файл с объединёнными ячейками, тремя шапками и пустыми строками между блоками, а потом удивляются, что нейросеть «не поняла таблицу». Она поняла ровно то, что было. Мусор на входе - мусор на выходе, и это не отговорка, а механика.

Что помогает почти всегда: привести данные к плоскому виду, одна строка - одна запись, шапка в первой строке, без объединений. Если файл тяжёлый, отдать csv вместо xlsx. Если листов много, сказать, какой брать, а не надеяться, что модель догадается. И обязательно уточнить единицы измерения: рубли, тысячи рублей или миллионы - на этом ломается половина выводов.

Ещё один приём, который экономит нервы: попросить модель сначала показать, как она видит структуру. «Опиши столбцы, типы данных и количество строк» - и сверить с оригиналом. Тридцать секунд проверки, которые ловят обрезанный файл до того, как ты начнёшь верить в несуществующие цифры. У меня так было с выгрузкой из 1С, где строка «Итого» стояла посередине листа: модель посчитала её обычной записью и удвоила выручку. Поймал только на сверке структуры.

Промпты, которые дают результат, а не пересказ

Формулировка решает больше, чем выбор модели. «Проанализируй таблицу» - запрос ни о чём, на него придёт вода. Работают конкретные задачи с ожидаемым форматом ответа.

Последний пункт - про прозрачность. Когда модель показывает код или формулы, ошибку видно сразу. Когда она просто выдаёт красивое число, проверить его можно только вручную, а это возвращает нас к исходной точке.

Чего нейросеть с таблицей не сделает

Не заменит BI-систему там, где нужны живые дашборды и обновление в реальном времени. Не починит данные, которых нет. Не даст гарантию, что в исходнике не было ошибки ввода - она проанализирует то, что есть, вместе с чужими опечатками.

И главное: любой вывод по таблице проверяйте выборочно. Я беру две-три цифры из ответа и сверяю с исходником вручную. Сходится - дальше доверяю. Не сходится - меняю модель или подход, а не верю красивой сводке.

Доступ из России: все флагманы в одном месте за 149 ₽

Дальше начинается бытовая часть, из-за которой половина людей вообще не доходит до анализа таблиц. Иностранные карты не работают, регистрация по номеру не проходит, VPN ломает загрузку файлов. Знакомо.

Именно под это сделали ИИ-роутер 3GPT от 3SELLER. Один вход, внутри - флагманские модели: Chat GPT 6 Astra, the model 5, 5.1 и 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео и ещё целый список. Старт от 149 ₽, оплата российской картой, через СБП или криптой. Никаких иностранных карт и танцев с бубном.

Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT - https://3seller.com/3gpt. Пополнение баланса там же, российской картой.

3GPT - доступ к нейросетям из России

Мне этот вариант нравится ещё и тем, что не нужно держать пять подписок. Закинул таблицу, переключил модель прямо в чате, сравнил ответы. Для задачи «какая нейросеть лучше анализирует мои данные» это самый быстрый способ получить ответ - прогнать один и тот же файл через разные модели на одной площадке.

Готовые ИИ-агенты, если писать промпты лень

Отдельная фишка 3GPT - готовые ИИ-агенты под конкретные задачи. Выбираешь агента, начинаешь общение, модель меняешь прямо в чате. Для таблиц это удобно тем, что не нужно каждый раз объяснять контекст с нуля: агент уже настроен под тип задачи, будь то разбор отчётности, работа с текстами или подготовка сводок.

Посмотреть список можно здесь - https://3seller.com/ai/agents.

ИИ-агенты 3GPT

Картинки и визуал для отчётов

Когда таблица разобрана, её обычно нужно показать. Реалистичные изображения, обложки, визуалы для презентаций делаются через отдельный инструмент - https://3seller.com/3gpt-image. Там же генерация изображений по текстовому описанию.

Генерация изображений 3GPT

Нейросети для изображений 3GPT

Сценарий, который у меня прижился: выгрузка уходит в GPT-5, выводы проверяются кодом, потом пара картинок для слайдов. Раньше на это уходил день и три сервиса.

Три ошибки, на которых сыпется анализ таблиц

Первая - дать файл и не сказать, что с ним делать. Модель начнёт описывать содержимое вместо анализа. Вторая - не проверить, сколько строк она реально увидела. Третья - доверять суммам, посчитанным в уме, без запуска кода.

Все три лечатся одним подходом: конкретный запрос, проверка структуры на входе, прозрачность расчёта на выходе. Модель тут вторична, хотя разница между флагманами ощутима - особенно на объёмах больше десяти тысяч строк.

С чего начать сегодня

Возьмите свою последнюю выгрузку, ту самую, которую откладывали. Откройте 3GPT, загрузите файл и задайте один конкретный вопрос: где аномалии и что происходит с динамикой. Потом прогоните тот же файл через другую модель и сравните ответы. Разница в качестве между GPT-5, Gemini 2.5 Pro и the model 5 на ваших данных скажет больше, чем любой обзор.

Таблицы - та редкая область, где нейросеть уже реально экономит время, а не изображает полезность. Главное - не просить её «посмотреть данные», а ставить задачу так, как вы поставили бы её аналитику. С кодом, с форматом ответа, с проверкой.

← Вернуться к блогу

Читать дальше