ChatGPT и DeepSeek для сопоставления товаров

В проверке 23 октября 2026 года ChatGPT правильно разобрал все 12
вымышленных товарных позиций, DeepSeek — 11 из 12. Оба ответа справились
с разным написанием единиц, упаковками и тремя неоднозначными случаями.
Единственное расхождение оказалось в бренде. DeepSeek связал клей МАЯК с
товаром ЛУЧ: в объяснении совпадения он указал объём и количество
флаконов, но пропустил различие брендов.

Разберём, что получилось у двух сервисов и какие правила помогают при
сопоставлении каталогов с разными названиями товаров.

Что именно нужно сопоставлять

В одном каталоге ручка может называться «СТРИЖ ручка шариковая синяя
0.7 мм упаковка 10 шт», в другом — «Стриж шар. ручки blue 0,7 mm box
10». Написание отличается, но существенные признаки совпадают: бренд,
тип, цвет, толщина и количество.

Обратная ситуация тоже возможна. Набор из двух флаконов клея по 500
мл и один флакон на литр дают одинаковый общий объём, но остаются
разными товарными позициями. Если связать их как один товар, сравнение
упаковок уже будет неверным.

Поэтому в задании мы разделили три результата:

• MATCH — найдено однозначное соответствие товару и
  упаковке.
• NEEDS_REVIEW — совместимые варианты есть, но для
  выбора не хватает атрибута.
• NO_MATCH — все кандидаты противоречат хотя бы
  одному указанному существенному признаку.

Статус NEEDS_REVIEW особенно полезен при неполных описаниях. Он
позволяет сохранить несколько подходящих карточек и передать выбор
человеку, не добавляя товару неизвестный цвет или размер упаковки.

Результат на 12 позициях

В исходном списке было 12 товаров, в каталоге кандидатов — 18. Все
бренды и позиции вымышлены. Шесть исходных товаров имели однозначную
пару, три требовали уточнения, ещё для трёх подходящей пары не было.

Оба сервиса вернули по 12 записей в запрошенном JSON: без пропущенных
или повторяющихся исходных ID. Для неоднозначных позиций оба перечислили
все совместимые варианты. Разница появилась в одном решении NO_MATCH,
которое DeepSeek заменил на MATCH.

По сохранённым записям запусков, ChatGPT использовали в
веб-интерфейсе аккаунта Plus с уровнем «Средний». В DeepSeek поиск и
DeepThink были выключены. Точные версии моделей в записях запусков не
раскрыты, поэтому результаты здесь относятся к этим двум ответам
веб-сервисов.

Где оба ответа правильно учли единицы и упаковки

С шестью однозначными парами оба сервиса справились одинаково. Они
сопоставили бумагу по формату и плотности, ручки и маркеры — по цвету и
толщине, блокнот — по размерам, разлиновке и числу листов.

Для клея S04 в каталоге была близкая альтернатива C08: тот же бренд и
ПВА, но один флакон на литр. Оба сервиса выбрали C07 с двумя флаконами
по пол-литра. Правило о комплектности сохранилось даже при одинаковом
суммарном объёме.

Так же корректно ответы отделили комплект из четырёх маркеров C11 от
поштучного C12. Количество в упаковке нужно сохранить ещё до сравнения
цен: цена одной штуки и цена комплекта относятся к разным
предложениям.

Три случая с неизвестным атрибутом

У S07 — бумаги ПОЛЯ A4 плотностью 80 г/м², 500 листов — не был указан
цвет. Подходили C01 с белой бумагой и C02 с голубой. Оба ответа вернули
NEEDS_REVIEW и оба ID. Выбирать белую бумагу как более привычную
оснований не было.

В S08 описывались ножницы ТОЧКА длиной 16 см, одна штука. C13 был
вариантом для правой руки, C14 — для левой. Поскольку сторона руки в
исходнике отсутствовала, оба сервиса сохранили обе альтернативы.

В S09 совпадали бренд и размеры ленты корректора: ширина 5 мм, длина
6 м. Но количество в упаковке не было задано. C15 содержал одну штуку,
C16 — две. Разные единицы не мешали сопоставлению: 0,5 см равны 5 мм, а
600 см — 6 м. Неизвестная комплектность при этом не исчезла: оба ответа
снова поставили NEEDS_REVIEW.

Эти три строки показывают полезный способ работы с неполным
каталогом. Если отличающий варианты признак неизвестен, результатом
становится список для уточнения. Бренд, тип и размеры сами по себе не
всегда позволяют подтвердить одну карточку.

Почему DeepSeek ошибся на клее S10

В S10 требовался «МАЯК клей ПВА 250 мл 2 флакона». Самый похожий по
объёму кандидат C17 назывался «Луч ПВА 2 флакона по 250 мл». Тип, объём
каждого флакона и количество совпадали; бренд — нет.

В правилах бренд прямо относился к существенным атрибутам. Поэтому
правильный результат для S10 — NO_MATCH с пустым списком кандидатов.
Варианты МАЯК в каталоге тоже не подходили: C07 содержал два флакона по
500 мл, C08 — один флакон на литр.

DeepSeek вернул MATCH → C17 и объяснил выбор так:

ПВА 250 мл, 2 флакона — соответствует C17.

В объяснении перечислены совпавшие признаки, но не рассмотрен бренд.
Обоснование выглядит правдоподобно, пока не сравнить оставшийся
существенный атрибут.

ChatGPT вернул NO_MATCH и отдельно указал, что C17 совпадает по
объёму и упаковке, но имеет другой бренд. В этой строке полнота
объяснения помогла увидеть, почему похожий кандидат был отвергнут.

Ещё две позиции без пары оба ответа обработали верно. Для красной
ручки СТРИЖ S11 требовалась толщина 0.5 мм, а близкая C04 имела 0,7 мм.
Для бумаги ПОЛЯ A3 S12 требовалась плотность 100 г/м², а C18 предлагал
80 г/м². Совпадения по части названия оказалось недостаточно для
MATCH.

Ответ ChatGPT для позиции S10

Оба кадра показывают ранее полученные ответы. При съёмке новые промпты
не отправлялись, ответы не редактировались и не генерировались повторно.

Ответ DeepSeek для позиции S10

Что включить в задание на сопоставление номенклатуры

Начните с определения товарной позиции. Если для вашей задачи важны
бренд, цвет, размер, тип, плотность или комплектность, перечислите их
явно. Отдельно задайте допустимые преобразования единиц: например,
сантиметры в миллиметры и литры в миллилитры. Названия цветов на разных
языках тоже можно включить в правила.

Затем определите поведение при неполных данных. В нашем задании
отсутствие необходимого атрибута означало NEEDS_REVIEW со всеми
совместимыми кандидатами. Явное противоречие хотя бы одному
существенному признаку исключало кандидата. Для полностью неподходящего
списка использовался NO_MATCH.

Попросите возвращать исходные ID и ID кандидатов. Названия могут
отличаться или повторяться, а устойчивые идентификаторы позволяют
проверить связь с конкретной строкой. Для каждого решения полезно
короткое reason — объяснение совпадения, неопределённости или отказа от
пары.

Формат строки можно задать так:

{
  "source_id": "S10",
  "status": "NO_MATCH",
  "candidate_ids": [],
  "reason": "Нет кандидата с совпадающими брендом, объёмом и упаковкой"
}

Это пример правильного результата для S10. В задании модели
достаточно схемы полей и правил; готовые решения по проверяемым товарам
передавать не нужно. Полный промпт этого примера (файл
catalog-prompt.txt в ZIP) сохранён вместе с каталогами.

Как проверить связи перед переносом в рабочий каталог

Сначала убедитесь, что ответ содержит все исходные ID ровно по одному
разу и не ссылается на несуществующих кандидатов. Затем проверьте
подтверждённые пары по существенным атрибутам. В случае S10 отдельное
сравнение бренда сразу показало бы расхождение МАЯК и ЛУЧ.

Следующим шагом разберите NEEDS_REVIEW. Для S07 нужно уточнить цвет,
для S08 — сторону руки, для S09 — количество в упаковке. Уточнение
должно прийти из исходных данных или от ответственного за каталог, а не
из предположения о наиболее распространённом товаре.

Список NO_MATCH тоже полезен для работы: он показывает, какие позиции
остались без пары в переданном наборе кандидатов. Сохраните его отдельно
от неоднозначностей, чтобы не смешивать поиск отсутствующего товара с
уточнением уже найденных вариантов.

В нашем примере ChatGPT верно определил все 12 решений, включая отказ
от похожего товара другого бренда. DeepSeek правильно разобрал 11 строк
и допустил одну ложную пару. Для подготовки списка соответствий оба
ответа дали понятную структуру; перед импортом подтверждённых связей
стоит проверить именно те признаки, которые легко теряются за похожими
объёмом, названием или упаковкой.

Материалы примера

• Исходный каталог и 18 кандидатов (файл catalog-input.json в
  ZIP).
• Эталон с допустимыми парами (файл catalog-gold.json в ZIP).
• Первый ответ ChatGPT R02 (файл R02-first.json в ZIP).
• Первый ответ DeepSeek R03 (файл R03-first.json в ZIP).

Скачать
материалы примера: каталоги, эталон, промпт и первые ответы
(ZIP)