ChatGPT Enterprise saiki ndhukung maca lan mangerteni visual (gambar, grafik, diagram, lsp.) sing ditempelake ing file PDF sing kalebu ing prompt. Pangguna bisa ngunggah PDF, lan ChatGPT bisa napsirake teks lan unsur visual apa wae ing file kasebut.
Kanggo rincian, delengen FAQ Visual Retrieval nganggo PDF.
ChatGPT Enterprise ngidini sampeyan ngunggah file kanthi sawetara cara:
Langsung saka komputer sampeyan
Minangka GPT Knowledge
Minangka File Proyek
Saka GPT Action
Pandhuan iki nerangake cara fitur ChatGPT Enterprise nangani file adhedhasar jinis, jumlah, lan ukurane, lan ngrembug strategi kanggo ningkatake output adhedhasar syarat file.
Ringkesan
ChatGPT Enterprise nangani macem-macem jinis file kanthi beda banget: ngekstrak teks saka dokumen teks kaya PDF, Presentasi, lan file Word, nganalisis data terstruktur saka spreadsheet nganggo kode Python, lan njlentrehake file gambar liwat GPT-Vision. Ngerti jinis file endi sing micu alur kerja endi iku kunci kanggo entuk asil sing dikarepake.
Kanggo dokumen adhedhasar teks, ChatGPT Enterprise nglebokake teks relevan sabisane langsung bebarengan karo prompt lan nggunakake sistem panelusuran kanggo ngakses informasi tambahan. Iki bisa digunakake kanthi apik kanggo mangsuli pitakon spesifik. Nanging, pendekatan iki bisa kewalahan karo tugas rumit kaya ngringkes dokumen sing gedhe banget utawa mbandhingake pirang-pirang file gedhe. Wacanen terus kanggo ngerti strategi kanggo ningkatake asil sampeyan.
Nangani file adhedhasar jinis
ChatGPT Enterprise ngolah file kanthi telung cara utama: ekstraksi teks, analisis kode, lan interpretasi gambar. Jinis file nemtokake alur kerja sing ditindakake ChatGPT Enterprise.
| Pengambilan Adhedhasar Teks | Code Interpreter | Pemrosesan Gambar | Visual Retrieval | |
|---|---|---|---|---|
| Tuladha Jinis File | pptx, docx, txt, md, json, xml, pdf* * PDF sing diunggah minangka GPT Knowledge utawa File Proyek | csv, xls, xlsx* *Cathetan: Code Interpreter bisa ngoperasikake jinis file apa wae, nanging ChatGPT Enterprise paling kerep gawan menyang CI kanggo spreadsheet | jpg, png | pdf* * PDF sing kalebu ing prompt pangguna |
| Perilaku | Ngekstrak teks saka file – sawetara teks ditempelake (“dilebokake”) langsung menyang jendhela konteks; sawetara teks disimpen kanggo panelusuran | Code Interpreter ngirim file menyang Python kanggo diproses | Gambar ditafsirake kanthi asli dening model multimodal, tundhuk marang watesan sing wis dingerteni . | Hibrida saka pengambilan teks lan pemrosesan gambar. Teks diekstrak kanthi digital, lan konten visual ditafsirake kanthi asli dening model multimodal. |
Kanggo file mung teks, file gambar, utawa file data sing jelas terstruktur (umpamane, tabel Excel transaksi), pembagian iki makili perilaku paling apik sing bisa ditindakake.
Ana sawetara area abu-abu sing kurang jelas, contone:
Gambar sing ditempelake ing file saliyane PDF ora diproses. Kanggo nglebokake gambar kasebut, konversi file dadi PDF sadurunge diunggah.
ChatGPT Enterprise bakal tansah nggunakake Code Interpreter kanggo sesambungan karo spreadsheet, sanajan dokumen ngemot teks kanthi jumlah gedhe. Contone, yen sampeyan njaluk ChatGPT Enterprise nerjemahake file CSV kanthi 10 baris teks, sistem bakal nyoba nerjemahake file nggunakake pustaka Python, sing kurang akurat tinimbang ngidini model ngasilake terjemahan langsung. Kanggo nyuda iki, coba ekspor spreadsheet menyang format adhedhasar teks (contone PDF).
Mangkono uga, yen sampeyan ngunggah tabel transaksi terstruktur sing dijlentrehake lan ana ing file JSON, ChatGPT Enterprise bakal napsirake file iki minangka teks biasa. Yen sampeyan pengin nganalisis data sing ana ing file JSON, prentahna model supaya nggunakake Code Interpreter ing prompt sampeyan.
Nangani file adhedhasar ukuran
ChatGPT Enterprise nggunakake model kanthi jendhela konteks maksimal 128k token (kira-kira 200 kaca teks). Nanging, ora kabeh token digunakake kanggo nglebokake teks saka file sing diunggah. Jumlah token sing “dilebokake” beda-beda miturut jinis panggunaan.
ChatGPT Enterprise “nglebokake” sawetara teks, lan teks liyane dikirim menyang indeks panelusuran privat (“vector store”, yaiku jinis basis data sing dirancang kanggo nyimpen lan njupuk teks kanthi jumlah gedhe kanthi efisien). Nalika sampeyan takon, ChatGPT Enterprise nggawa teks sing dilebokake bebarengan karo potongan relevan sing dijupuk saka indeks panelusuran privat.
Yen sampeyan ngunggah siji dokumen, ChatGPT Enterprise nglebokake teks saka wiwitan nganti tekan watesane. Yen sampeyan ngunggah pirang-pirang dokumen, ChatGPT Enterprise nglebokake sawetara utawa kabeh isi saben dokumen. Kabeh teks saka dokumen uga dikirim menyang indeks panelusuran privat.
Context stuffing kanggo dokumen teks
Fitur iki lagi ana ing tahap pangembangan aktif. Mula, rincian ing ngisor iki bisa owah kapan wae tanpa kabar.
ChatGPT Enterprise bisa ngolah nganti 110k token saka dokumen sing diunggah ing jendhela konteks. Yen sampeyan ngunggah siji utawa luwih dokumen kanthi total gabungan kurang saka 110k token, kabeh konten bakal dilebokake.
Kanggo siji dokumen sing ngluwihi 110k token, mung 110k token pisanan sing bakal dilebokake, diwiwiti saka awal. Sisané mung bakal dikirim menyang indeks panelusuran privat.
Yen pirang-pirang dokumen diunggah lan total gabungane ngluwihi 110k token, ChatGPT Enterprise nggunakake proses rong langkah kanggo ngimbangi representasi dokumen:
Ekstrak nganti 55k token, dipérang rata ing antarane dokumen sing diunggah.
Kanggo dokumen sing durung kawakili kanthi lengkap ing langkah pisanan, alokasikake sisa 55k token kanthi proporsional adhedhasar token sing isih ana ing saben dokumen.
Token apa wae sing isih ana mung dikirim menyang indeks panelusuran privat.
Sampeyan bisa ngira jumlah token ing dokumen teks kanthi nyalin teks dokumen menyang OpenAI Tokenizer.
Context stuffing kanggo PDF multimedia
Nalika pangguna ngunggah PDF sing ngemot teks lan gambar, Visual Retrieval ngidini ChatGPT ngolah gambar kasebut kanthi asli bebarengan karo teks sing diekstrak kanthi digital. Langkah-langkah ing ngisor iki nambah prosedur penanganan konteks standar kanggo PDF multimedia:
Ekstraksi lan Embedding Gambar: Gambar diekstrak lan di-embed bebarengan karo teks digital sing gegandhengan.
Penskalaan Cerdas: Gambar otomatis diskalakake kanggo njaga imbangan antarane kualitas informasi lan panggunaan efisien saka jendhela konteks sing kasedhiya.
Nalika PDF sing diunggah ngluwihi wates 110k token, gambar lan teks padha di-embed ing indeks panelusuran privat. Embedding teks ngrujuk gambar sing relevan, supaya ChatGPT bisa njupuk pasangan teks-gambar sing pas adhedhasar pitakon pangguna. Gambar sing dijupuk banjur diproses nganggo kapabilitas multimodal asli ChatGPT.
Ngira kabutuhan token kanthi akurat kanggo PDF multimedia iku tantangan. Pengujian nuduhake manawa kira-kira 350 kaca campuran teks lan gambar bakal nggunakake jendhela konteks 110k token kanthi lengkap.
Strategi panelusuran adhedhasar jinis model
Model seri-GPT lan seri-o padha ndhukung unggahan file lan nggunakake logika context stuffing lan embedding panelusuran sing padha. Kabeh model nindakake panelusuran hibrida marang indeks panelusuran privat, kanthi nggabungake metode tembung kunci lan semantik. Ing panelusuran hibrida, model ngasilake frasa telusur adhedhasar prompt pangguna, lan indeks panelusuran privat njupuk teks lan gambar sing relevan kanthi selaras.
Nanging, model-model iki beda ing cara nggoleki dokumen gedhe sing ngluwihi jendhela konteks:
model seri-GPT
Siji panelusuran saben prompt: Model seri-GPT nindakake siji panelusuran saben prompt pangguna.
Kasus panggunaan sing efektif: Becik kanggo mangsuli pitakon langsung sing ana ing dokumentasi jembar.
Tuladha pitakon:
“Apa kabijakan HR kanggo pensiun dini?”
“Apa sing ditindakake fungsi
process_order?”
model seri-o
Pirang-pirang panelusuran saben prompt: Bisa nindakake pirang-pirang panelusuran (biasane 2-3) saben prompt pangguna, saben-saben nganggo frasa telusur sing unik. Panelusuran ditindakake kanthi urut, lan model bisa nganyari pendekatane adhedhasar informasi sing dijupuk saka panelusuran sadurunge.
Kasus panggunaan sing efektif: Luwih cocog kanggo pitakon rumit sing mbutuhake pirang-pirang panelusuran tertarget ing dokumentasi sing jembar.
Tuladha pitakon:
“Apa kabijakan HR kanggo pensiun dini, cuti wong tuwa, lan transfer menyang luar negeri?”
“Terangna apa sing ditindakake fungsi
process_order, dhaptarna kabeh metode sing diundang dening fungsi iki, lan jelasna cekak saben metode sing diundang.”
Sanajan nduweni kaluwihan, model seri-o bisa kewalahan nalika pitakon mbutuhake luwih saka telung panelusuran.
Tips kanggo ningkatake asil panelusuran file
Coba gunakake model seri-o kanggo pitakon rumit sing mbutuhake pirang-pirang panelusuran.
Elinga manawa respons bisa beda-beda gumantung jinis, jumlah, lan ukuran dokumen sing sampeyan unggah.
Umume, ngemot dokumen sing luwih sithik lan fokus bakal ngasilake akurasi sing luwih dhuwur.
Owahana topik multi-pitakon dadi pitakon tunggal:
Yen sampeyan kudu ngerti kabijakan HR saben negara bagian, takona siji-siji.
Yen sampeyan kudu ngringkes akeh dokumen, jaluka siji dokumen saben wektu. Yen dokumen kuwi atusan kaca, pikirna kanggo mecah dadi komponen sing luwih cilik.
Sampeyan bisa njaluk ChatGPT Enterprise nulis “ringkesan saka ringkesan” yen sampeyan menehi pirang-pirang ringkesan tinimbang dokumen lengkap.
Yen sampeyan duwe CSV saka RFP (saben baris minangka pitakon beda), takona pitakon-pitakon kasebut siji-siji tinimbang mung ngemot CSV lan njaluk siji respons.
Goleka cara kanggo ngaudit respons model. Tuladha instruksi GPT ana ing ngisor iki:
# Konteks
Sampeyan ahli banget ing mangerteni dokumen. Pangguna bakal masang dokumen lan takon pitakon. Dheweke kudu bisa nyambungake jawaban sampeyan bali menyang bagean teks sing pas saka ngendi sampeyan njupuk jawaban kasebut.
# Instruksi
1. Wangsulana pitakon pangguna adhedhasar dokumen sing dipasang nganggo format pas kaya ing ngisor iki
# Format
- Pitakon: { baleni pitakon pangguna }
- Jawaban: { wenehana jawaban kanggo pitakon pangguna }
Sumber:
- - Nomer Bagian: { wenehana nomer bagian saka ngendi sampeyan njupuk jawaban }
- - Judhul Bagian: { wenehana judhul bagian saka ngendi sampeyan njupuk jawaban }
- - Teks Persis: { wenehana teks persis saka ngendi sampeyan njupuk jawaban }
# Aturan
- Wenehana jawaban sing cetha lan ringkes
- Mung wenehana informasi sing ana ing dokumen
- Yen sampeyan ora bisa nemokake jawaban ing dokumen, cukup wangsulana “Ora ana informasi sing ditemokake.”