ChatGPT Enterprise ya permite leer y comprender elementos visuales (imágenes, gráficos, diagramas, etc.) integrados en los archivos PDF que se incluyen en los prompts. Puedes cargar un PDF y ChatGPT interpretará el texto y los elementos visuales que contenga.
Para obtener más información, consulta: preguntas frecuentes sobre la recuperación visual en archivos PDF.
ChatGPT Enterprise te permite cargar archivos de varias formas:
Directamente desde tu ordenador
Desde una acción de un GPT
Esta guía explica cómo las funciones de ChatGPT Enterprise gestionan los archivos según su tipo, cantidad y tamaño, y presenta estrategias para mejorar los resultados en función de los requisitos de los archivos.
Resumen
ChatGPT Enterprise trata cada tipo de archivo de forma 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.
En los documentos de texto, ChatGPT Enterprise incluye la mayor cantidad posible de texto relevante directamente junto al prompt y utiliza un sistema de búsqueda para acceder a información adicional. Esto funciona bien para responder a preguntas concretas. 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.
Gestión 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 de texto | Intérprete de código | Procesamiento de imágenes | Recuperación visual | |
|---|---|---|---|---|
| Ejemplos de tipos de archivo | pptx, docx, txt, md, json, xml, pdf* * Archivos PDF cargados como conocimiento de un GPT o archivos de un proyecto | csv, xls, xlsx* *Nota: el Intérprete de código puede trabajar con cualquier tipo de archivo, pero ChatGPT Enterprise suele utilizarlo por defecto para las hojas de cálculo | jpg, png | pdf* * Archivos 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 procesarlo | 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. |
En el caso de 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 clasificación permite aplicar el tratamiento más adecuado.
Hay algunos casos menos evidentes, por ejemplo:
Las imágenes integradas en archivos que no sean PDF no se procesan. Para incluirlas, convierte el archivo a PDF antes de cargarlo.
ChatGPT Enterprise siempre utilizará el Intérprete de código para trabajar con hojas de cálculo, aunque el documento contenga mucho texto. Por ejemplo, si le pides a ChatGPT Enterprise que traduzca un archivo CSV con 10 filas de texto, intentará traducirlo mediante una biblioteca de Python, lo que resulta menos preciso que dejar que el modelo genere la traducción directamente. Para mitigar este problema, prueba a exportar la hoja de cálculo a un formato de texto (PDF, por ejemplo).
Del mismo modo, si cargas un archivo JSON que contiene una tabla estructurada de transacciones, ChatGPT Enterprise lo interpretará como texto sin formato. Si quieres analizar los datos de un archivo JSON, indica al modelo en tu prompt que utilice el Intérprete de código.
Gestión de archivos según el tamaño
ChatGPT Enterprise utiliza 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. El número 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 de forma eficiente grandes cantidades de texto). Cuando haces una pregunta, ChatGPT Enterprise incorpora el texto incluido junto con fragmentos relevantes recuperados de un índice de búsqueda privado.
Si cargas un único documento, ChatGPT Enterprise incluye texto desde el principio hasta alcanzar 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.
Inclusión de contexto para documentos de texto
Esta función está en desarrollo activo. Por 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 varios documentos que sumen menos de 110 000 tokens, se incluirá todo su contenido.
Si un único documento supera los 110 000 tokens, solo se incluirán los primeros 110 000 tokens, desde el inicio. El resto solo se enviará al índice de búsqueda privado.
Si se cargan varios documentos que sumen más de 110 000 tokens, ChatGPT Enterprise utiliza el siguiente proceso para equilibrar la representación de cada documento:
Extrae hasta 55 000 tokens, repartidos por igual entre los documentos cargados.
Para los documentos que no se hayan incluido por completo en el primer paso, distribuye 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 el número de tokens de un documento de texto copiando su texto en el tokenizador de OpenAI.
Incorporación de contenido al contexto en archivos PDF multimedia
Cuando se cargan archivos PDF con texto e imágenes, la recuperación visual permite a ChatGPT procesar esas imágenes de forma nativa junto con el texto extraído digitalmente. Los siguientes pasos complementan nuestros procedimientos habituales de gestión del contexto para archivos PDF multimedia:
Extracción e incorporación de imágenes: las imágenes se extraen y se incorporan junto con el texto digital asociado.
Ajuste inteligente del 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 archivos 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 pertinentes, lo que permite a ChatGPT recuperar los pares de texto e imagen adecuados según las consultas del usuario. A continuación, las imágenes recuperadas se procesan con las capacidades multimodales nativas de ChatGPT.
Es difícil estimar con precisión cuántos tokens necesitan los archivos PDF multimedia. Las pruebas indican que unas 350 páginas que combinen texto e imágenes ocuparán 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 la carga de archivos y utilizan la misma lógica de inclusión de contexto e incrustaciones 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 a partir del prompt del usuario, y el índice de búsqueda privado recupera el texto y las 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 realizar varias búsquedas (normalmente, 2 o 3) por cada prompt del usuario, cada una con una frase de búsqueda distinta. Las búsquedas se realizan de forma secuencial y el modelo puede adaptar 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, permiso parental y traslado al extranjero?»
«Explica qué hace la función process_order, enumera todos los métodos que invoca y describe brevemente cada uno de ellos».
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 a usar un modelo de la serie o para preguntas complejas que requieran varias búsquedas.
Recuerda que las respuestas pueden variar en función del tipo, el número y el tamaño de los documentos que cargues.
Por lo general, cargar menos documentos y más centrados dará lugar a una 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 cada vez. Si ese documento tiene muchos cientos de páginas, considera dividirlo en componentes más pequeños.
Podrías pedir a ChatGPT Enterprise que escriba un «resumen de resúmenes» si le proporcionas varios resúmenes en lugar de documentos completos.
Si tienes un CSV de una RFP (cada línea es una pregunta diferente), haz esas preguntas una por una en lugar de limitarte a cargar el CSV y solicitar una única respuesta.
Busca formas de auditar las respuestas del modelo. A continuación se muestran instrucciones de GPT de ejemplo:
# Contexto
Eres un 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 la que obtuviste la respuesta.
# Instrucciones
1. Responde a la pregunta del usuario basándote en el documento adjunto usando el formato exacto que se proporciona a continuación
# Formato
- Pregunta: { repite la pregunta del usuario }
- Respuesta: { proporciona una respuesta a la pregunta del usuario }
Fuente:
- - Número de sección: { indica el número de sección de donde extrajiste la respuesta }
- - Título de la sección: { indica el título de la sección de donde extrajiste la respuesta }
- - Texto exacto: { proporciona el texto exacto de donde extrajiste la respuesta }
# Reglas
- Da respuestas claras y concisas
- Proporciona solo la información incluida en el documento
- Si no encuentras la respuesta en el documento, responde simplemente «No se encontró información».