ChatGPT Enterprise ahora puede leer y comprender los elementos visuales (imágenes, gráficos, diagramas, etc.) integrados en los archivos PDF incluidos en los prompts. Los usuarios pueden cargar un PDF, y ChatGPT puede interpretar el texto y cualquier elemento visual que contenga el archivo.
Para obtener más información, consulta: preguntas frecuentes sobre la recuperación visual en PDF.
ChatGPT Enterprise te permite cargar archivos de varias maneras:
Directamente desde tu computadora
Como un archivo de proyecto
Desde una acción de un GPT
Esta guía explica cómo las funciones de ChatGPT Enterprise procesan los archivos según su tipo, cantidad y tamaño, y presenta estrategias para mejorar los resultados según las necesidades de procesamiento de los archivos.
Resumen
ChatGPT Enterprise procesa cada tipo de archivo de manera muy distinta: extrae texto de documentos como PDF, presentaciones y archivos de Word; analiza datos estructurados de hojas de cálculo mediante código Python; y describe archivos de imagen con GPT-Vision. Entender qué flujo de trabajo activa cada tipo de archivo es clave para obtener el resultado esperado.
Para los documentos basados en texto, ChatGPT Enterprise incluye la mayor cantidad posible de texto relevante directamente junto al prompt y usa un sistema de búsqueda para acceder a información adicional. Esto funciona bien para responder preguntas específicas. Sin embargo, este enfoque puede tener dificultades con tareas complejas, como resumir documentos muy extensos o comparar varios archivos grandes. Sigue leyendo para conocer estrategias que te ayudarán a mejorar tus resultados.
Procesamiento de archivos según su tipo
ChatGPT Enterprise procesa los archivos de tres formas principales: extracción de texto, análisis mediante código e interpretación de imágenes. El tipo de archivo determina el flujo de trabajo que sigue ChatGPT Enterprise.
| Recuperación basada en texto | Intérprete de código | Procesamiento de imágenes | Recuperación visual | |
|---|---|---|---|---|
| Ejemplos de tipos de archivo | pptx, docx, txt, md, json, xml, pdf* * PDF cargados como conocimiento de un GPT o archivos de proyecto | csv, xls, xlsx* *Nota: el intérprete de código puede trabajar con cualquier tipo de archivo, pero ChatGPT Enterprise suele usarlo de forma predeterminada para las hojas de cálculo | jpg, png | pdf* * PDF incluidos en los prompts del usuario |
| Funcionamiento | Extrae el texto del archivo: una parte se pega (“incorpora”) directamente en la ventana de contexto y otra se almacena para realizar búsquedas | El intérprete de código envía el archivo a Python para su procesamiento | Los modelos multimodales interpretan las imágenes de forma nativa, con ciertas limitaciones conocidas . | Una combinación de recuperación de texto y procesamiento de imágenes. El texto se extrae digitalmente y los modelos multimodales interpretan el contenido visual de forma nativa. |
Para los archivos que solo contienen texto, los archivos de imagen o los archivos con datos claramente estructurados (por ejemplo, una tabla de transacciones en Excel), esta división ofrece el mejor procesamiento posible.
En algunos casos, el funcionamiento es menos evidente. Por ejemplo:
Las imágenes integradas en archivos que no son PDF no se procesan. Para incluirlas, convierte el archivo a PDF antes de cargarlo.
ChatGPT Enterprise siempre usará el intérprete de código para trabajar con hojas de cálculo, incluso si el documento contiene una gran cantidad de texto. Por ejemplo, si le pides a ChatGPT Enterprise que traduzca un archivo CSV con 10 filas de texto, intentará traducirlo con una biblioteca de Python, lo que ofrece menos precisión que permitir que el modelo genere la traducción directamente. Para reducir este problema, prueba exportar la hoja de cálculo a un formato basado en texto (por ejemplo, PDF).
Del mismo modo, si cargas una tabla estructurada de transacciones contenida en un archivo JSON, ChatGPT Enterprise interpretará el archivo como texto sin formato. Si quieres analizar los datos de un archivo JSON, indica en tu prompt que el modelo debe usar el intérprete de código.
Manejo de archivos según el tamaño
ChatGPT Enterprise usa modelos con una ventana de contexto máxima de 128 000 tokens (aproximadamente 200 páginas de texto). Sin embargo, no todos los tokens se usan para incorporar el texto de los archivos cargados. La cantidad de tokens “insertados” varía según el tipo de uso.
ChatGPT Enterprise “inserta” cierta cantidad de texto, y el texto restante se envía a un índice de búsqueda privado (un “almacén de vectores”, que es un tipo de base de datos diseñada para almacenar y recuperar grandes cantidades de texto de manera eficiente). Cuando haces una pregunta, ChatGPT Enterprise incorpora el texto incluido junto con fragmentos relevantes recuperados de un índice de búsqueda privado.
Si cargas un solo documento, ChatGPT Enterprise incluye texto desde el principio hasta que alcanza su límite. Si cargas varios documentos, ChatGPT Enterprise incluye parte o la totalidad de cada documento. Todo el texto de los documentos también se envía a un índice de búsqueda privado.
Inserción de contexto para documentos de texto
Esta función está en desarrollo activo. Por lo tanto, los siguientes detalles están sujetos a cambios sin previo aviso.
ChatGPT Enterprise puede procesar hasta 110 000 tokens de los documentos cargados en la ventana de contexto. Si cargas uno o más documentos que suman menos de 110 000 tokens, se incluirá todo su contenido.
Si un solo documento supera los 110 000 tokens, solo se incluirán los primeros 110 000 tokens, desde el inicio del documento. El resto solo se enviará al índice de búsqueda privado.
Si se cargan varios documentos que suman más de 110 000 tokens, ChatGPT Enterprise aplica el siguiente proceso para equilibrar la representación de los documentos:
Extrae hasta 55 000 tokens, repartidos por igual entre los documentos cargados.
Para los documentos que no se incluyeron por completo en el primer paso, asigna los 55 000 tokens restantes proporcionalmente según los tokens que queden en cada documento.
Los tokens que aún queden solo se envían al índice de búsqueda privado.
Puedes estimar la cantidad de tokens de un documento de texto copiando su contenido en el tokenizador de OpenAI.
Incorporación de contenido al contexto para PDF multimedia
Cuando los usuarios cargan PDF que contienen texto e imágenes, la recuperación visual permite que ChatGPT procese estas imágenes de forma nativa junto con el texto extraído digitalmente. Los siguientes pasos complementan nuestros procedimientos habituales de gestión del contexto para PDF multimedia:
Extracción y representación vectorial de imágenes: las imágenes se extraen y se convierten en representaciones vectoriales junto con su texto digital asociado.
Ajuste inteligente de tamaño: el tamaño de las imágenes se ajusta automáticamente para equilibrar la calidad de la información y el uso eficiente de la ventana de contexto disponible.
Cuando los PDF cargados superan el límite de 110 000 tokens, tanto las imágenes como el texto se incorporan al índice de búsqueda privado como representaciones vectoriales. Las representaciones vectoriales del texto hacen referencia a las imágenes relevantes, lo que permite a ChatGPT recuperar los pares de texto e imagen adecuados según las consultas del usuario. Luego, las imágenes recuperadas se procesan con las capacidades multimodales nativas de ChatGPT.
Es difícil estimar con precisión cuántos tokens se necesitan para procesar PDF multimedia. Las pruebas sugieren que unas 350 páginas con texto e imágenes ocupan toda la ventana de contexto de 110 000 tokens.
Estrategias de búsqueda según el tipo de modelo
Tanto los modelos de la serie GPT como los de la serie o admiten cargas de archivos y usan la misma lógica de inserción de contexto e incrustación de búsqueda. Todos los modelos ejecutan búsquedas híbridas en un índice de búsqueda privado, combinando métodos de palabras clave y semánticos. En una búsqueda híbrida, el modelo genera una frase de búsqueda según el prompt del usuario, y el índice de búsqueda privado recupera texto e imágenes relevantes en consecuencia.
Sin embargo, estos modelos difieren en la forma en que buscan en documentos grandes que superan la ventana de contexto:
Modelos de la serie GPT
Una búsqueda por prompt: los modelos de la serie GPT realizan una búsqueda por cada prompt del usuario.
Casos de uso adecuados: son ideales para responder preguntas sencillas cuya respuesta se encuentra en documentación extensa.
Ejemplos de consultas:
“¿Cuál es la política de RR. HH. sobre la jubilación anticipada?”
“¿Qué hace la función process_order?”
Modelos de la serie o
Varias búsquedas por prompt: pueden ejecutar varias búsquedas (normalmente, de 2 a 3) por cada prompt del usuario, cada una con una frase de búsqueda distinta. Las búsquedas se ejecutan de forma secuencial y el modelo puede ajustar su estrategia según la información obtenida en búsquedas anteriores.
Casos de uso adecuados: son más apropiados para preguntas complejas que requieren varias búsquedas específicas en documentación extensa.
Ejemplos de consultas:
“¿Cuáles son las políticas de RR. HH. sobre jubilación anticipada, licencia parental y traslado al extranjero?”
“Explica qué hace la función process_order, enumera todos los métodos que invoca y describe brevemente cada uno”.
A pesar de sus ventajas, los modelos de la serie o pueden tener dificultades cuando una consulta requiere más de tres búsquedas.
Consejos para mejorar los resultados de búsqueda de archivos
Prueba usar un modelo de la serie o para preguntas complejas que requieren varias búsquedas.
Recuerda que las respuestas pueden variar según el tipo, la cantidad y el tamaño de los documentos que cargues.
En general, cargar menos documentos y más enfocados generará mayor precisión.
Convierte los temas con varias preguntas en preguntas individuales:
Si necesitas conocer las políticas de RR. HH. de cada estado, pregúntalas una por una.
Si necesitas resumir muchos documentos, pide un documento a la vez. Si ese documento tiene muchos cientos de páginas, considera dividirlo en componentes más pequeños.
Podrías pedirle a ChatGPT Enterprise que escriba un “resumen de resúmenes” si le proporcionaste varios resúmenes en lugar de documentos completos.
Si tienes un CSV de una RFP (cada línea es una pregunta distinta), haz esas preguntas una por una en lugar de simplemente cargar el CSV y solicitar una sola respuesta.
Busca formas de auditar las respuestas del modelo. A continuación se incluyen instrucciones de GPT de ejemplo:
# Contexto
Eres experto en comprender documentos. El usuario va a adjuntar un documento y hacer una pregunta. Necesita poder conectar tu respuesta con la parte exacta del texto de donde obtuviste la respuesta.
# Instrucciones
1. Responde la pregunta del usuario según el documento adjunto usando el formato exacto que se proporciona a continuación
# Formato
- Pregunta: { repetir la pregunta del usuario }
- Respuesta: { proporcionar una respuesta a la pregunta del usuario }
Fuente:
- - Número de sección: { proporcionar el número de sección de donde obtuviste la respuesta }
- - Título de la sección: { proporcionar el título de la sección de donde obtuviste la respuesta }
- - Texto exacto: { proporcionar el texto exacto de donde obtuviste la respuesta }
# Reglas
- Da respuestas claras y concisas
- Proporciona solo información incluida en el documento
- Si no puedes encontrar la respuesta en el documento, responde simplemente “No se encontró información”.