Economic viability analysis of large language models for handwritten signature verification tasks

P. I. Kolykhalov; E. L. Finogeev; П. И. Колыхалов; Е. Л. Финогеев

doi:10.34020/2073-6495-2026-1-043-054

Анализ экономической целесообразности использования больших языковых моделей в задачах верификации рукописных подписей

П. И. Колыхалов, Е. Л. Финогеев

https://doi.org/10.34020/2073-6495-2026-1-043-054

Полный текст:

PDF (Rus)

сгенерировать QR код

Аннотация

Статья доказывает: большие языковые модели (LLM) экономически невыгодны для верификации подписей. Кажущаяся дешевизна токенной оплаты нивелируется катастрофически низкой точностью LLM (59 % ошибок), ведущей к неоправданно высоким расходам. Специализированные CNN-решения значительно эффективнее и дешевле. LLM принципиально неспособны анализировать детали, критичные для биометрии. Экономический парадокс LLM превращает их доступность в финансовую ловушку. Исследование предлагает модель стоимости (TCO) для РФ с учетом санкций и рекомендует использовать LLM лишь как пре-фильтр в гибридных системах.

Ключевые слова

верификация рукописных подписей, большие мультимодальные языковые модели (LLM), экономическая целесообразность ИИ, криминалистический анализ подписей, совокупная стоимость владения (TCO), локализация данных (ФЗ-152)

Об авторах

П. И. Колыхалов

Национальный исследовательский ядерный университет «МИФИ»
Россия

Колыхалов Павел Иванович – кандидат физико-математических наук, доцент

Москва

Е. Л. Финогеев

Национальный исследовательский ядерный университет «МИФИ»
Россия

Финогеев Евгений Леонидович – студент

Москва

Список литературы

1. Wu J. et al. Multimodal large language models: A survey // 2023 IEEE International Conference on Big Data (BigData). IEEE, 2023. P. 2247–2256.

2. Li Z. et al. A survey of state of the art large vision language models: Alignment, benchmark, evaluations and challenges // arXiv preprint arXiv:2501.02189. 2025.

3. Dey S. et al. Signet: Convolutional siamese network for writer independent offline signature verification // arXiv preprint arXiv:1707.02131. 2017.

4. Bhavani S.D., Bharathi R.K., Kumar R.J.A. Offline signature verification using pretrained deep convolutional neural network // AIP Conference Proceedings. AIP Publishing LLC. 2024. Vol. 2966, no. 1. P. 020007.

5. Xiao W., Wu H. Learning features for offline handwritten signature verification using spatial transformer network // Scientific Reports. 2025. Vol. 15, no. 1. P. 9453.

6. Tsourounis D. et al. Leveraging Expert Models for Training Deep Neural Networks in Scarce Data Domains: Application to Offline Handwritten Signature Verification // arXiv preprint arXiv:2308.01136. 2023.

7. Alsuhimat F.M., Mohamad F.S. A hybrid method of feature extraction for signatures verification using CNN and HOG a multi-classification approach // IEEE Access. 2023. Vol. 11. P. 21873–21882.

8. ECM-journal. [Электронный ресурс]. URL: https://ecm-journal.ru/material/kak-ocenit-ehffekt-ot-vnedrenija-iskusstvennogo-intellekta-v-biznes-processy-kompanii#:~:text=1.%20%D0%91%D0%B8%D0%B7%D0%BD%D0%B5%D1%81,%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D1%81%D0%B0%D1%85%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0%D0%B5%D1%82%20%D0%BA%D0%B0%D0%BA (дата обращения: 09.06.2025).

9. ЦРТ. Группа компаний. [Электронный ресурс]. URL: https://www.speechpro.ru/media/news/kommersant-bolshie-yazykovye-modeli-ekstravozmozhnosti-dlya-rosta-biznesa#:~:text=%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%81%D0%BD%D0%BE%20%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8E%20%D0%BA%D0%BE%D0%BC%D0%BF%D0%B0%D0%BD%D0%B8%D0%B8%20%C2%AB%D0%AF%D0%BA%D%BE%D0%B2%20%D0%B8%C2%A0%D0%BF%D0%B0%D1%80%D1%82%D0%BD%D0%B5%D1%80%D1%8B%C2%BB%2C,%D0%BA%D0%B0%D0%BA%D0%B8%D0%B5%20%D1%80%D0%BE%D1%81%D1%81%D0%B8%D0%B9%D1%81%D0%BA%D0%B8%D0%B5%20%D1%80%D0%B5%D1%88%D0%B5%D0%BD%D0%B8%D1%8F%20%D1%83%D0%B6%D0%B5%20%D0%B4%D0%BE%D0%BA%D0%B0%D0%B7%D0%B0%D0%BB%D0%B8 (дата обращения: 09.06.2025).

10. News.ru. [Электронный ресурс]. URL: https://news.ru/society/stalo-izvestno-kak-ii-mozhet-pomoch-na-vyborah-v-rossii (дата обращения: 09.06.2025).

11. OpenAI. [Электронный ресурс]. URL: https://openai.com/api/pricing/ (дата обращения: 09.06.2025).

12. Документация по API Gemini. [Электронный ресурс]. URL: https://ai.google.dev/gemini-api/docs/pricing?hl=ru (дата обращения: 09.06.2025).

13. Документация Anthropic. [Электронный ресурс]. URL: https://docs.anthropic.com/en/docs/about-claude/pricing (дата обращения: 09.06.2025).

14. Цены на аренду на HuggingFace. [Электронный ресурс]. URL: https://huggingface.co/pricing (дата обращения: 09.06.2025).

15. Расценки GigaChat. [Электронный ресурс]. URL: https://developers.sber.ru/docs/ru/gigachat/tariffs/individual-tariffs (дата обращения: 09.06.2025).

16. Расценки Yandex GPT. [Электронный ресурс]. URL: https://yandex.cloud/ru/docs/foundation-models/pricing?utm_referrer=https%3A%2F%2Fwww.google.com%2F (дата обращения: 09.06.2025).

17. DreamJob. [Электронный ресурс]. URL: https://dreamjob.ru/salary/data-scientist/city-moskva (дата обращения: 09.06.2025).

18. Официальный сайт составителей набора данных CEDAR. [Электронный ресурс]. URL: https://cedar.buffalo.edu/Databases/ (дата обращения: 28.01.2025).

19. Bai S. et al. Qwen2.5-vl technical report // arXiv preprint arXiv:2502.13923. 2025.

20. Hu E.J. et al. Lora: Low-rank adaptation of large language models // ICLR. 2022. Vol. 1, no. 2. P. 3.

Рецензия

Для цитирования:

Колыхалов П.И., Финогеев Е.Л. Анализ экономической целесообразности использования больших языковых моделей в задачах верификации рукописных подписей. Вестник НГУЭУ. 2026;(1):43-54. https://doi.org/10.34020/2073-6495-2026-1-043-054

For citation:

Kolykhalov P.I., Finogeev E.L. Economic viability analysis of large language models for handwritten signature verification tasks. Vestnik NSUEM. 2026;(1):43-54. (In Russ.) https://doi.org/10.34020/2073-6495-2026-1-043-054

Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 2073-6495 (Print)

Логин
Пароль
	Запомнить меня
Регистрация нового пользователя Забыли Ваш пароль?

Войти

Вестник НГУЭУ