refactor(gpu): вынести скоринг плагиата в чистый app.scoring + 8 тестов

Итоговый процент схожести (тот, что видит студент) и дедупликация совпадений
жили внутри Celery-задачи check_plagiarism и не тестировались. Вынес в чистую
функцию app.scoring.aggregate_results (без Celery/БД/сети) — правильная «высота»
(доменная логика отдельно от оркестрации) и теперь покрыто тестами:

- процент = доля УНИКАЛЬНЫХ помеченных позиций от всех фрагментов;
- одна позиция с несколькими источниками считается один раз (не раздувает %);
- точный дубль (source_title:pos) дедуплицируется;
- деление на ноль фрагментов; кап на 100%; округление до 2 знаков; by_method.

Поведение сохранено 1:1 (лог задачи переведён на result[...]). scoring.py добавлен
в mypy-гейт. Тестов всего: 61 (indexer 19, gost 17, gpu 25).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

services/worker-gpu/app/scoring.py

@@ -0,0 +1,59 @@
+"""Чистая доменная логика скоринга плагиата — без Celery/БД/сети.
+
+Объединяет совпадения всех уровней (1 winnowing, 2 minhash, 3+4 semantic+llm),
+дедуплицирует их и считает итоговый процент схожести, который видит студент.
+Вынесено из Celery-задачи, чтобы логику можно было тестировать изолированно.
+"""
+
+from typing import Any
+
+
+def aggregate_results(
+    level1_matches: list[dict[str, Any]],
+    level2_matches: list[dict[str, Any]],
+    semantic_matches: list[dict[str, Any]],
+    total_fragments: int,
+) -> dict[str, Any]:
+    """Свести совпадения уровней в итог проверки.
+
+    Дедупликация — по паре (source_title, position_start): одно и то же совпадение
+    источника в одной позиции не дублируется. Итоговый процент — доля УНИКАЛЬНЫХ
+    помеченных позиций от всех фрагментов (фрагмент, совпавший с несколькими
+    источниками, не раздувает процент выше 100).
+
+    Args:
+        level1_matches: совпадения уровня 1 (Winnowing, точные)
+        level2_matches: совпадения уровня 2 (MinHash, нечёткие)
+        semantic_matches: совпадения уровней 3-4 (FAISS + LLM-парафраз)
+        total_fragments: всего проверенных фрагментов документа
+
+    Returns:
+        dict с полями overall_similarity, matches, total_fragments,
+        flagged_fragments, by_method.
+    """
+    all_matches = level1_matches + level2_matches + semantic_matches
+
+    seen: set[str] = set()
+    unique_matches: list[dict[str, Any]] = []
+    for m in all_matches:
+        key = f"{m.get('source_title', '')}:{m.get('position_start', '')}"
+        if key not in seen:
+            seen.add(key)
+            unique_matches.append(m)
+
+    flagged_positions = {m.get("position_start") for m in unique_matches}
+    flagged_frags = len(flagged_positions)
+    overall = (flagged_frags / total_fragments * 100) if total_fragments > 0 else 0.0
+    overall = min(overall, 100.0)
+
+    return {
+        "overall_similarity": round(overall, 2),
+        "matches": unique_matches,
+        "total_fragments": total_fragments,
+        "flagged_fragments": flagged_frags,
+        "by_method": {
+            "exact": len(level1_matches),
+            "fuzzy": len(level2_matches),
+            "semantic_llm": len(semantic_matches),
+        },
+    }