# sg-api.advance.ai — identity/OCR API, а не LLM

Source: https://provod.ai/ru/blog/api150-a120-advance-ai

Не всякий эндпоинт со словом «ai» в имени отвечает текстом. `sg-api.advance.ai` не принимает промпт и не генерирует ответ - по документации ADVANCE.AI (Doc Center, обращение 2026-07-18) это result-fetching вызов внутри процесса проверки документов, который возвращает OCR-поля паспорта и вердикт о подделке. Если ты закладываешь его в общий LLM-контур, ты ошибаешься не в удобстве, а в модели угроз.

Дальше будет три вещи. Сначала покажу, почему «AI» в названии не означает генеративную модель. Потом разложу карту «тип API - данные - контроль - сценарий», чтобы классификация была воспроизводимой, а не интуитивной. И в конце свяжу эту классификацию с решением: выделять ли под эндпоинт отдельный защищённый контур. Тезис у меня фальсифицируемый: если первичная документация не подтвердит identity/OCR-назначение и особый тип данных, оснований отделять этот эндпоинт от LLM нет. Документация подтверждает, поэтому основания есть.

Оговорюсь про жанр сразу. Это разбор архитектурной ошибки классификации, а не отчёт об инциденте. Я не утверждаю, что где-то что-то сломалось. Я утверждаю, что распространённая привычка - «любой AI endpoint можно закинуть в общий LLM-контур» - в этом конкретном случае даёт неверную модель данных и рисков.

[Платите в рублях за AI-модели без наценки на токены через provod.ai](/ru)

## Что на самом деле отдаёт sg-api.advance.ai?

Хост обслуживает сингапурский региональный эндпоинт `/intl/openapi/identity-risk/idvs-h5/ekyc/v1/get-result`. По документации ADVANCE.AI Doc Center (обращение 2026-07-18) он относится к семейству Document Verification / eKYC. Название пути читается буквально: `get-result`, то есть «забрать результат». Это не старт диалога, а финальный шаг конвейера, где документ уже отсканирован, а вызов только вытягивает готовую структуру.

Вход - один параметр, `signatureId`. Выход - фиксированная схема. По той же документации (S1, S4) это OCR-поля: `idNumber`, `fullName`, `expiryDate`, `gender`, `nationality`, `address`; объект `idForgery` с вердиктом pass/fail и причинами; ссылки на изображения документа или их base64. Ни одного свободного текстового поля, которое модель «придумывает». Схема закрыта заранее, и это принципиально: у LLM выход открытый и вероятностный, здесь выход детерминированный и структурный.

Отсюда первый практический вывод для архитектора верификационного сценария: искать этот хост в каталоге LLM-провайдеров бесполезно. Если тебе нужен именно доступ к моделям в один вызов, это другой класс сервиса - например, provod.ai (российский OpenRouter), который агрегирует Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и по одному API; сравнивать его с get-result эндпоинтом ADVANCE.AI некорректно, это разные контуры и разные задачи ([посмотреть каталог моделей](/ru)).

В поиске путаница выглядит буквально. Человек вбивает запрос вида `sg api advance ai`, ожидая наткнуться на генеративную модель, и попадает на конвейер проверки паспортов. Такие запросы полезно держать как регрессионные фикстуры при разборе входящих интеграций: они показывают, где команда по инерции классифицирует сервис по слову «ai», а не по назначению. Классификация по имени хоста - и есть тот самый disputed default, который я оспариваю.

![Диаграмма процесса: один входной параметр signatureId ведёт к вызову get-result и закрытому набору выходных полей документа с вердиктом idForgery](https://storage.yandexcloud.net/provod-yc-production-cms-media/blog/02-209.png)

## Почему авторизация здесь другая, и что это меняет?

Второй сигнал типа - модель доступа. Обычный LLM-API живёт на голом bearer-ключе: подставил `Authorization: Bearer sk-...` и пошёл. Здесь по документации ADVANCE.AI Doc Center (S2, S3, обращение 2026-07-18) двухшаговый поток с подписью. Сначала вызываешь `generate-token`, передавая `accessKey`, `timestamp` и подпись - SHA-256 от конкатенации `accessKey + secretKey + timestamp`. В ответ приходит токен, который ты вешаешь заголовком `X-ACCESS-TOKEN` на последующие вызовы.

Важная деталь для модели угроз: `secretKey` в запросах не передаётся никогда. По документации он используется только локально для вычисления подписи, а оба ключа - `accessKey` и `secretKey` - выпускаются и управляются через консоль ADVANCE.AI Websaas Platform. Это подписанная кредо-модель, а не одноразовый общий ключ. Характеристика «отличается от bearer-паттерна LLM» - моя интерпретация фактов, а не цитата ADVANCE.AI; но сами шаги и поля взяты из документации дословно.

```plaintext
# Псевдокод по документации ADVANCE.AI (Doc Center, 2026-07-18)
timestamp = now_ms()
signature = sha256(accessKey + secretKey + timestamp)   # secretKey остаётся локально

token = POST /generate-token { accessKey, timestamp, signature }

GET https://sg-api.advance.ai/intl/openapi/identity-risk/idvs-h5/ekyc/v1/get-result
  header: X-ACCESS-TOKEN: <token>
  body:   { signatureId }
```

Почему это меняет архитектуру, а не только код клиента. Bearer-ключ LLM-провайдера можно ротировать и хранить в общем секрет-менеджере вместе с десятком других. Пара `accessKey`/`secretKey`, где секрет вообще не должен покидать процесс подписи, требует более узкого места хранения и отдельной ответственности за ротацию. Смешаешь её с ключами LLM-роутинга - размоешь границу, за которой начинается конвейер идентификационных данных.

![Схема авторизации: шаг generate-token с подписью SHA-256, затем вызов с заголовком X-ACCESS-TOKEN, при этом secretKey остаётся в замкнутом локальном контуре](https://storage.yandexcloud.net/provod-yc-production-cms-media/blog/03-209.png)

## Как классифицировать эндпоинт до выбора контура?

Интуиция «по имени хоста» ненадёжна, потому что «ai» в домене ничего не говорит ни о типе данных, ни о модели угроз. Нужна воспроизводимая карта. Я свожу её к четырём колонкам: тип API, данные, контроль, сценарий. Заполняешь строку по первичной документации - и класс эндпоинта становится очевидным до того, как ты нарисуешь стрелку в схеме интеграции.

Сравнение ниже ставит рядом get-result эндпоинт ADVANCE.AI и типовой генеративный LLM-вызов. Оно нужно не для рейтинга «лучше-хуже», а чтобы показать: две строки почти не пересекаются по данным и контролю, значит и контур у них разный.

| Тип API | Данные | Контроль | Сценарий |
| --- | --- | --- | --- |
| identity/OCR, eKYC (`sg-api.advance.ai` get-result) | Персональные поля документа: idNumber, fullName, address; вердикт idForgery; изображения документа | Подписанный токен: accessKey + локальный secretKey, заголовок X-ACCESS-TOKEN | Забрать результат проверки документа по signatureId |
| Генеративный LLM (chat/completions) | Свободный промпт и сгенерированный текст | Обычный bearer-ключ | Диалог, генерация, суммаризация |

Разница в первых двух колонках и есть аргумент. У identity/OCR данные - это идентификационные атрибуты живого человека, а не текст, который не жалко залогировать. Кстати, документированные примеры ответа get-result показывают имя и номер ID с частичным маскированием звёздочками (S1). Я читаю это как признак, что сам дизайн API уже относится к полезной нагрузке как к чувствительной - это моя интерпретация, но она опирается на конкретный факт из примеров, а не на догадку.

Есть ещё колонка сценария, которую легко недооценить. Get-result не работает в вакууме: по документации (S3) перед ним нужен реальный снимок документа - PNG/JPG/JPEG до 2 МБ, от 256 до 4096 пикселей, снятый через мобильный или Web SDK. Именно захват порождает `IDVID`/`signatureId`, которым ты потом запрашиваешь результат. То есть продукт построен вокруг конвейера съёмки документа, а не вокруг обмена «промпт - ответ». Класс подтверждается всей цепочкой, а не одним вызовом.

И последнее подтверждение типа - каталог самого вендора. По странице ADVANCE.AI (S5, обращение 2026-07-18) платформа AdvanGuard строится вокруг трёх линий: Identity Verification, Document Verification, Face Authentication, плюс инструменты против мошенничества, AML и рисков. Генеративного чат-бота или LLM-продукта в этом ряду как сопоставимого API нет. Оговорюсь честно: ни одна из прочитанных страниц не содержит фразы «это не LLM». Вывод об отсутствии генеративного продукта - это инференс из текущего каталога, а не процитированный дисклеймер.

![Таблица классификации из двух строк и четырёх колонок: identity/OCR-эндпоинт против генеративного LLM по типу, данным, контролю и сценарию](https://storage.yandexcloud.net/provod-yc-production-cms-media/blog/04-207.png)

## Что эта классификация не решает?

Карта отвечает на вопрос «какого класса эндпоинт», и только на него. Она не является оценкой соответствия требованиям и не заменяет проверку безопасности. Из того, что API работает с идентификационными данными, не следует автоматически ни вывод о регуляторной адекватности, ни утверждение, что конкретная интеграция что-то нарушает. Это архитектурная позиция, а не факт из источников.

Классификация также не даёт тебе гарантий по регионам. Да, по документации (S1, S4, S6-факт) `sg-api.advance.ai` - лишь один из параллельных региональных базовых URL: рядом живут `ph-api.advance.ai`, `api.advance.ai` для Индонезии и другие страновые префиксы с тем же самым shape эндпоинта. Это подтверждает, что перед тобой регионально развёрнутый сервис идентификации, а не единая глобальная inference-точка генеративной модели. Но точный паритет фич между регионами, лимиты и гарантии резидентности данных в прочитанных страницах не документированы - и утверждать их нельзя.

Чего карта тем более не делает - не подтверждает цены, SLA и сертификации. Pricing, SOC2/ISO, юрисдикционные комплаенс-заявления в изученном материале не найдены и вынесены за рамки. Если кто-то в проектной переписке ссылается на них как на «очевидные», это повод запросить первичный документ, а не принять на веру.

Наконец, есть предел самого метода. Классификация надёжна ровно настолько, насколько полна первичная документация. Провал наступает в трёх случаях: документации нет; назначение или тип данных не удаётся классифицировать; требования интеграции противоречат друг другу. В любом из них честный ответ - «пока не выделяю контур, потому что не подтвердил свойства», а не «на всякий случай считаю LLM».

## Какое решение принять архитектору?

Свожу к решению. Раз первичная документация подтверждает identity/OCR-назначение, чувствительные поля документа и подписанную авторизацию, я проектирую под этот эндпоинт отдельный защищённый контур для идентификационных данных. Принятая цена решения понятна: разделение усложняет систему. Появляется вторая модель авторизации, отдельное хранилище для `secretKey`, свои правила логирования полей вроде `idNumber`. Это плата за то, чтобы не смешивать чувствительные данные с LLM-задачей.

Альтернатива - закинуть get-result в общий LLM-роутинг вместе с чатами и суммаризацией - выглядит дешевле ровно до первого разбора, где выясняется, что через тот же слой, что и безобидные промпты, текут поля паспорта под bearer-ключом в общем секрет-менеджере. Я отвергаю этот вариант не из перестраховки, а по критерию: назначение эндпоинта подтверждено, тип данных подтверждён, значит контур обязан быть отдельным. Если бы назначение не подтвердилось документацией - основания разделять исчезли бы, и я не стал бы усложнять систему ради красивой схемы.

Честно про уверенность. Установлено: назначение, данные, авторизация и требования - по первичной документации на 2026-07-18. Вероятно, но мягче: карта корректно разводит identity/OCR и LLM как разные контуры - это устойчивая, но всё же авторская модель. Неизвестно: точные обязательства конкретно твоей интеграции до чтения твоей же документации и договора. Классификацию нужно завершить до выбора контура и до первой передачи данных, потому что переклассифицировать работающий продакшн дороже, чем один раз прочитать доку.

![Дерево решения: при подтверждённом identity/OCR-назначении и чувствительных данных - отдельный защищённый контур, иначе не разделять и дочитать документацию](https://storage.yandexcloud.net/provod-yc-production-cms-media/blog/05-179.png)

## Где здесь вообще место LLM-провайдеру?

Разделив контуры, легко впасть в обратную крайность и решить, что генеративные модели тут не нужны вовсе. Нужны, но в своём контуре и на своей задаче: подсказки оператору, черновики писем клиенту, разметка внутренних тикетов. Это ровно тот слой, где имеет смысл единый совместимый API вместо зоопарка ключей.

Здесь practical-интеграция для российской команды. provod.ai даёт один API, совместимый с SDK OpenAI и Anthropic: меняешь ключ и `base_url` - и работаешь с полным каталогом моделей из рыночных клиентов, агентов, IDE, ботов и бизнес-систем, поддерживающих OpenAI- или Anthropic-совместимые эндпоинты. Оплата - один рублёвый баланс, российская карта, СБП или счёт, без VPN и зарубежных карт; цены на модели идут без наценки provod.ai. Для команды пригодятся общие рабочие пространства с участниками, общими ключами и единым балансом организации, а стабильный мультиканальный роутинг держит работу, когда один внешний канал временно недоступен ([сравнить под свой сценарий](/ru)).

```python
# LLM-контур: OpenAI-совместимый клиент, только генеративные задачи
from openai import OpenAI

client = OpenAI(
    api_key="provod_...",
    base_url="https://api.provod.ai/v1",
)
```

Граница жёсткая, и я её проговариваю. provod.ai - это отдельный совместимый LLM API, а не замена identity/OCR-эндпоинту ADVANCE.AI. Он не делает eKYC, не извлекает поля документа и не выносит вердикт о подделке. Для команд, работающих с персональными данными, у provod.ai есть защищённый российский контур, который маскирует прямые персональные идентификаторы перед отправкой запроса во внешнюю модель и поддерживает процессы по 152-ФЗ, - но это про генеративный контур, а не про подмену проверки документов. Держи две задачи на двух разных API, и карта из этой статьи останется читаемой.

## Мини-FAQ

**Можно ли слать промпт на `sg-api.advance.ai`?** Нет. По документации ADVANCE.AI это result-fetching эндпоинт eKYC: вход - `signatureId`, выход - фиксированная схема полей документа и вердикт `idForgery` (S1, S2).

**Чем авторизация отличается от LLM?** Двухшаговый подписанный токен вместо bearer-ключа: `generate-token` с подписью SHA-256, затем заголовок `X-ACCESS-TOKEN`; `secretKey` в запросах не передаётся (S2, S3).

**Что искали люди, попадая сюда по ошибке?** Часто это запросы вроде `https sg api advance ai` в надежде открыть генеративную модель - полезная регрессионная фикстура, показывающая, как классификация по имени хоста подводит.

**Значит ли identity/OCR-класс, что интеграция соответствует требованиям?** Нет. Классификация - не оценка соответствия и не проверка безопасности; регуляторную адекватность из неё выводить нельзя.

**Одинаковы ли регионы sg/ph/id?** Структурно путь один и тот же на разных хостах (S1, S4), но паритет фич, лимиты и резидентность данных в прочитанных страницах не документированы.

![Две панели: слева identity/OCR-контур eKYC, справа генеративный контур с доступом к моделям через provod.ai по одному совместимому API](https://storage.yandexcloud.net/provod-yc-production-cms-media/blog/06-162.png)

## provod.ai — модели для IDE, SDK и внутренних инструментов

**Не заставляйте разработчиков менять рабочую среду:** OpenAI-совместимые IDE, библиотеки и приложения подключаются к общему endpoint, а команда продолжает работать привычными командами и SDK.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**Расширение выбора моделей не увеличивает тариф:** стоимость запросов совпадает с официальной 1:1, без наценки со стороны provod.ai.

**Подключите AI к рабочему стеку:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [инструкция по миграции](https://provod.ai/docs/migration)

### Источники

- ADVANCE.AI Doc Center, Document Verification Get Result API, обращение 2026-07-18 (F1, F2, F6, F8).
- ADVANCE.AI Doc Center, Common Token Authentication API, обращение 2026-07-18 (F3, F4).
- ADVANCE.AI Documentation, Global Document Verification, обращение 2026-07-18 (F3, F5).
- ADVANCE.AI, One-Stop Documentation mirror (ReadMe.io), обращение 2026-07-18 (F2, F6).
- ADVANCE.AI, публичная страница продукта AdvanGuard, обращение 2026-07-18 (F7).
- Факты о продукте provod.ai и заявление о лидерстве - данные вендора, 2026-07-15.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).
