标书查重到底在查什么？重合率、雷同段落、文本指纹一次讲透

一、为什么查重成了 "硬规矩"

查重背后是一条清晰的法律链：

• 《招标投标法》第 32 条明令禁止投标人相互串通投标报价，第 53 条规定了后果：中标无效，并处中标项目金额千分之五以上千分之十以下的罚款，情节严重者一至两年内禁止参加依法必须招标的项目。
• 
  
• 《招标投标法实施条例》第 40 条把 "不同投标人的投标文件异常一致"列为视为串通投标的情形之一 —— 注意，是" 异常一致 "，不要求全部雷同。
• 
  
• 财政部 87 号令（政府采购货物和服务招标投标管理办法）第 37 条进一步列举：不同投标人的文件由同一单位或个人编制、委托同一人办理投标事宜、项目管理成员或联系人为同一人等，视为串通投标，投标无效。
• 
  
• 电子化监管还在加码。部分地区 2026 年新规已明确：文件制作机器码或创建标识码相同、从同一 IP 地址上传投标文件，可认定为串通投标。
• 
  

所以 "查重" 不是软件厂商发明的营销概念，而是监管落地的手段：查的不是文采，是投标的独立性。

二、三个核心概念一次讲透

1. 重合率（相似率）

是什么：两份或多份文件比对后，重复文字占全文的比例，衡量 "重复了多少"。

怎么算：先做预处理（去格式、去标点、OCR 识别扫描件、提取纯文本），再按字符、句子或段落统计重复，常用余弦相似度、Jaccard 相似系数等算法计算。业内主流查重软件普遍设定全文相似度超过约 30%、或核心段落超过约 50% 即触发预警—— 注意这是常见默认值，具体红线以招标文件和平台规则为准。

局限：它只反映 "量"。通篇大改、改头换面后，重合率可能很低，但风险一点没少 —— 所以还要看下面两个概念。

2. 雷同段落

是什么：连续多句、多段逐字相同或高度相似的片段。

为什么单独拿出来看：法律红线是 "异常一致" 而不是 "整体相似度"。哪怕整体重合率不高，只要关键技术参数、施工方案、服务承诺等核心段落大段雷同，甚至 "连错别字都一样"，评标系统就会重点预警。

怎么查：逐字比对、定位连续相同片段，识别的是 "最长的共同子串"，而不是整体比例。

3. 文本指纹

是什么：把文本切分成特征片段（如按固定长度滑动窗口取 shingle / 切片），用哈希算法（SimHash、MinHash 等）为整篇文档算出一个 "指纹"，再在海量历史库中快速比对。

为什么厉害：指纹比对的是 "结构特征" 而非 "逐字相同"。换词、调语序、同义词替换后，指纹依然相似，照样能命中；图片也可以生成 "感知哈希指纹"，截图、复制、改名的图片同样留痕。它让 "抄过就一定会留下痕迹" 成为技术现实。

三、三类检测，三种目的

检测一：与他人投标文件雷同（横向比对）—— 防围标串标

• 比对对象：同标段各家投标文件互相交叉比对。
• 查文本之外还查：表格、图片（OCR 识别扫描件）、语义相似度（识别换词、调序的改写抄袭）。
• 更深一层：文档作者、保存人、同源图片、隐藏痕迹等元数据，以及机器码、创建标识码、上传 IP 等电子痕迹 —— 这些往往比文字更早暴露 "同源"。
• 
  

检测二：与自有历史标书重复（纵向比对）—— 防旧稿复用

• 比对对象：与本公司过往标书比对。
• 为什么查：复用旧模板本身不违法，但风险藏在细节里 ——报价、工期、人员配置等参数没按本次招标更新，技术方案停留在上一年，甚至残留历史项目名称。评标时被质疑 "未实质性响应"，比文字重复更致命。
• 重点：关键条款、数据、承诺是否已随本次招标文件逐项更新。
• 
  

检测三：错漏项自查 —— 防低级废标

• 查什么：资格条件是否逐项响应、实质性条款有无负偏离、签字盖章是否齐全、正副本数量、格式、页码、密封、保证金等。很多查重工具会把错漏项检查清单化，做成 "投标前体检"。
• 目的：这三类检测里唯一不涉及 "抄袭"，却最容易直接导致废标。
• 
  

四、四个常见误区

标书查重查的从来不是文字本身，而是三样东西：

独立性（和别人的标书有没有同源关系）、真实性（参数和承诺是否贴合本次招标）、完整性（该有的资格和格式是否齐全）。把横向、纵向、错漏三类自查放在投标前做完，把 "异常一致" 的可能性清零 —— 这才是标书查重的正确用法。