ChatGPT Enterprise kini menyokong pembacaan dan pemahaman visual (imej, graf, rajah dan sebagainya) yang terbenam dalam fail PDF yang disertakan dalam prom. Pengguna boleh memuat naik PDF, dan ChatGPT boleh mentafsir teks serta sebarang unsur visual dalam fail tersebut.
Untuk butiran lanjut, lihat: Soalan Lazim tentang Perolehan Semula Visual dengan PDF.
ChatGPT Enterprise membolehkan anda memuat naik fail melalui beberapa cara:
Terus daripada komputer anda
Daripada Google Drive / SharePoint / OneDrive
Sebagai Pengetahuan GPT
Sebagai Fail Projek
Daripada Tindakan GPT
Panduan ini menerangkan cara ciri ChatGPT Enterprise mengendalikan fail mengikut jenis, bilangan dan saiz, serta membincangkan strategi untuk meningkatkan kualiti output berdasarkan keperluan fail.
Ringkasan
ChatGPT Enterprise mengendalikan setiap jenis fail dengan cara yang sangat berbeza: mengekstrak teks daripada dokumen teks seperti PDF, pembentangan dan fail Word, menganalisis data berstruktur daripada hamparan menggunakan kod Python, serta menghuraikan fail imej melalui GPT-Vision. Untuk mendapatkan hasil yang diharapkan, penting untuk memahami aliran kerja yang dicetuskan oleh setiap jenis fail.
Bagi dokumen berasaskan teks, ChatGPT Enterprise menyertakan sebanyak mungkin teks yang berkaitan terus bersama prom dan menggunakan sistem carian untuk mengakses maklumat tambahan. Kaedah ini berkesan untuk menjawab soalan khusus. Namun, pendekatan ini mungkin kurang berkesan untuk tugas rumit seperti meringkaskan dokumen yang sangat besar atau membandingkan beberapa fail besar. Teruskan membaca untuk memahami strategi bagi meningkatkan kualiti hasil anda.
Mengendalikan fail mengikut jenis
ChatGPT Enterprise memproses fail melalui tiga cara utama: pengekstrakan teks, analisis kod dan pentafsiran imej. Jenis fail menentukan aliran kerja yang digunakan oleh ChatGPT Enterprise.
| Perolehan semula berasaskan teks | Pentafsir Kod | Pemprosesan imej | Perolehan Semula Visual | |
|---|---|---|---|---|
| Contoh jenis fail | pptx, docx, txt, md, json, xml, pdf* * PDF yang dimuat naik sebagai Pengetahuan GPT atau Fail Projek | csv, xls, xlsx* *Nota: Pentafsir Kod boleh memproses sebarang jenis fail, tetapi ChatGPT Enterprise paling kerap menggunakan Pentafsir Kod secara lalai untuk hamparan | jpg, png | pdf* * PDF yang disertakan dalam prom pengguna |
| Cara pemprosesan | Mengekstrak teks daripada fail – sebahagian teks ditampal (“diisikan”) terus ke dalam tetingkap konteks; sebahagian lagi disimpan untuk carian | Pentafsir Kod menghantar fail kepada Python untuk diproses | Imej ditafsir secara langsung oleh model berbilang modaliti, tertakluk pada batasan yang diketahui. | Gabungan perolehan semula teks dan pemprosesan imej. Teks diekstrak secara digital, manakala kandungan visual ditafsir secara langsung oleh model berbilang modaliti. |
Bagi fail teks sahaja, fail imej atau fail data yang berstruktur jelas (contohnya, jadual transaksi Excel), pembahagian ini memberikan cara pemprosesan yang terbaik.
Ada beberapa keadaan yang kurang jelas, contohnya:
Imej yang terbenam dalam fail selain PDF tidak diproses. Untuk menyertakannya, tukar fail tersebut kepada PDF sebelum memuat naiknya.
ChatGPT Enterprise akan sentiasa menggunakan Pentafsir Kod untuk berinteraksi dengan hamparan, walaupun dokumen tersebut mengandungi banyak teks. Contohnya, jika anda meminta ChatGPT Enterprise menterjemahkan fail CSV dengan 10 baris teks, ia akan cuba menterjemahkan fail itu menggunakan pustaka Python. Hasilnya kurang tepat berbanding membiarkan model menjana terjemahan secara langsung. Untuk mengurangkan masalah ini, cuba eksport hamparan tersebut ke format berasaskan teks (contohnya, PDF).
Begitu juga, jika anda memuat naik jadual transaksi berstruktur yang terkandung dalam fail JSON, ChatGPT Enterprise akan mentafsir fail ini sebagai teks biasa. Jika anda ingin menganalisis data dalam fail JSON, arahkan model menggunakan Pentafsir Kod dalam prom anda.
Mengendalikan fail berdasarkan saiz
ChatGPT Enterprise menggunakan model dengan tetingkap konteks maksimum 128k token (kira-kira 200 halaman teks). Walau bagaimanapun, bukan semua token digunakan untuk memasukkan teks daripada fail yang dimuat naik. Bilangan token yang “disisipkan” berbeza mengikut jenis penggunaan.
ChatGPT Enterprise "menyisipkan" sejumlah teks, dan teks selebihnya dihantar ke indeks carian peribadi (sebuah "stor vektor", iaitu sejenis pangkalan data yang direka untuk menyimpan dan mendapatkan semula sejumlah besar teks dengan cekap). Apabila anda bertanya soalan, ChatGPT Enterprise membawa masuk teks yang disertakan bersama cebisan berkaitan yang diperoleh daripada indeks carian peribadi.
Jika anda memuat naik satu dokumen, ChatGPT Enterprise menyertakan teks bermula dari awal sehingga hadnya dicapai. Jika anda memuat naik berbilang dokumen, ChatGPT Enterprise menyertakan sebahagian atau semua kandungan setiap dokumen. Semua teks daripada dokumen turut dihantar ke indeks carian peribadi.
Penyisipan konteks untuk dokumen teks
Ciri ini sedang giat dibangunkan. Oleh itu, butiran berikut tertakluk pada perubahan tanpa notis.
ChatGPT Enterprise boleh memproses sehingga 110k token daripada dokumen yang dimuat naik dalam tetingkap konteks. Jika anda memuat naik satu atau lebih dokumen dengan jumlah keseluruhan kurang daripada 110k token, semua kandungannya akan disertakan.
Bagi satu dokumen yang melebihi 110k token, hanya 110k token pertama akan disertakan, bermula dari awal dokumen. Selebihnya hanya akan dihantar ke indeks carian peribadi.
Jika beberapa dokumen dimuat naik dan jumlah keseluruhannya melebihi 110k token, ChatGPT Enterprise menggunakan proses berikut untuk mengimbangi kandungan yang disertakan daripada setiap dokumen:
Ekstrak sehingga 55k token, dengan peruntukan sama rata bagi setiap dokumen yang dimuat naik.
Bagi dokumen yang kandungannya belum disertakan sepenuhnya dalam langkah pertama, peruntukkan baki 55k token mengikut nisbah baki token dalam setiap dokumen.
Sebarang baki token hanya dihantar ke indeks carian peribadi.
Anda boleh menganggarkan bilangan token dalam dokumen teks dengan menyalin teks dokumen tersebut ke dalam Pentoken OpenAI.
Pengisian konteks untuk PDF multimedia
Apabila pengguna memuat naik PDF yang mengandungi teks dan imej, Perolehan Semula Visual membolehkan ChatGPT memproses imej ini secara langsung bersama teks yang diekstrak secara digital. Langkah berikut melengkapi prosedur standard kami untuk mengendalikan konteks bagi PDF multimedia:
Pengekstrakan dan Pembenaman Imej: Imej diekstrak dan dibenamkan bersama teks digital yang berkaitan.
Penskalaan Pintar: Imej diskalakan secara automatik untuk mengekalkan keseimbangan antara kualiti maklumat dengan penggunaan tetingkap konteks yang tersedia secara cekap.
Apabila PDF yang dimuat naik melebihi had 110k token, imej dan teks dibenamkan dalam indeks carian peribadi. Pembenaman teks merujuk imej yang berkaitan, membolehkan ChatGPT mendapatkan semula pasangan teks-imej yang sesuai berdasarkan pertanyaan pengguna. Imej yang diperoleh semula kemudian diproses menggunakan keupayaan berbilang modaliti terbina dalam ChatGPT.
Menganggarkan keperluan token untuk PDF multimedia dengan tepat bukanlah mudah. Ujian menunjukkan bahawa kira-kira 350 halaman yang mengandungi campuran teks dan imej akan menggunakan sepenuhnya tetingkap konteks 110k token.
Strategi carian berdasarkan jenis model
Kedua-dua model GPT-series dan o-series menyokong muat naik fail serta menggunakan logik penyisipan konteks dan pembenaman carian yang sama. Semua model menjalankan carian hibrid terhadap indeks carian peribadi, dengan menggabungkan kaedah kata kunci dan semantik. Dalam carian hibrid, model menjana frasa carian berdasarkan prom pengguna, dan indeks carian peribadi mendapatkan teks serta imej yang berkaitan sewajarnya.
Walau bagaimanapun, model-model ini berbeza dari segi cara mereka mencari dalam dokumen besar yang melebihi tetingkap konteks:
Model siri GPT
Satu carian bagi setiap prom: Model siri GPT menjalankan satu carian bagi setiap prom pengguna.
Kes penggunaan yang sesuai: Sesuai untuk menjawab soalan ringkas yang terkandung dalam dokumentasi yang luas.
Contoh pertanyaan:
“Apakah dasar HR untuk persaraan awal?”
“Apakah fungsi process_order?”
Model siri o
Berbilang carian bagi setiap prom: Boleh menjalankan berbilang carian (biasanya 2–3) bagi setiap prom pengguna, setiap satu dengan frasa carian yang unik. Carian dijalankan secara berurutan dan model boleh mengemas kini pendekatannya berdasarkan maklumat yang diperoleh daripada carian terdahulu.
Kes penggunaan yang sesuai: Lebih sesuai untuk soalan rumit yang memerlukan berbilang carian bersasaran merentas dokumentasi yang luas.
Contoh pertanyaan:
“Apakah dasar HR untuk persaraan awal, cuti ibu bapa dan pertukaran ke luar negara?”
“Terangkan fungsi process_order, senaraikan semua kaedah yang dipanggil oleh fungsi ini dan huraikan secara ringkas setiap kaedah tersebut.”
Walaupun mempunyai kelebihan tersendiri, model siri o mungkin menghadapi kesukaran apabila pertanyaan memerlukan lebih daripada tiga carian.
Petua untuk meningkatkan hasil carian fail
Cuba gunakan model o-series untuk soalan kompleks yang memerlukan berbilang carian.
Ingat bahawa respons mungkin berbeza bergantung pada jenis, bilangan dan saiz dokumen yang anda muat naik.
Secara umum, memuatkan dokumen yang lebih sedikit dan berfokus akan menghasilkan ketepatan yang lebih tinggi.
Tukar topik berbilang soalan kepada soalan tunggal:
Jika anda perlu mengetahui dasar HR setiap negeri, tanyakannya satu demi satu.
Jika anda perlu meringkaskan banyak dokumen, minta satu dokumen pada satu masa. Jika dokumen itu mempunyai ratusan halaman, pertimbangkan untuk memecahkannya kepada komponen yang lebih kecil.
Anda boleh meminta ChatGPT Enterprise menulis “ringkasan bagi ringkasan” jika anda memberinya berbilang ringkasan dan bukannya dokumen penuh.
Jika anda mempunyai CSV untuk RFP (setiap baris ialah soalan yang berbeza), ajukan soalan tersebut satu demi satu dan bukannya memuatkan CSV lalu meminta satu respons sahaja.
Cari cara untuk mengaudit respons model. Contoh arahan GPT adalah seperti di bawah:
# Konteks
Anda pakar dalam memahami dokumen. Pengguna akan melampirkan dokumen dan bertanya soalan. Mereka perlu dapat mengaitkan jawapan anda kembali kepada bahagian teks yang tepat tempat anda memperoleh jawapan tersebut.
# Arahan
1. Jawab soalan pengguna berdasarkan dokumen yang dilampirkan menggunakan format tepat yang disediakan di bawah
# Format
- Soalan: { repeat user's question }
- Jawapan: { provide an answer to user's question }
Sumber:
- - Nombor Bahagian: { provide section number where you pulled in the answer }
- - Tajuk Bahagian: { provide section title where you pulled in the answer }
- - Teks Tepat: { provide the exact text where you pulled the answer from }
# Peraturan
- Berikan jawapan yang jelas dan ringkas
- Hanya berikan maklumat yang terdapat dalam dokumen
- Jika anda tidak dapat menemukan jawapan dalam dokumen, balas sahaja "Tiada maklumat ditemukan."