ChatGPT Enterprise ਹੁਣ ਪ੍ਰੌੰਪਟਾਂ ਵਿੱਚ ਸ਼ਾਮਲ PDF ਫ਼ਾਈਲਾਂ ਅੰਦਰ ਮੌਜੂਦ ਦ੍ਰਿਸ਼ ਸਮੱਗਰੀ (ਤਸਵੀਰਾਂ, ਗ੍ਰਾਫ਼, ਚਿੱਤਰ ਆਦਿ) ਨੂੰ ਪੜ੍ਹ ਅਤੇ ਸਮਝ ਸਕਦਾ ਹੈ. ਵਰਤੋਂਕਾਰ PDF ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ChatGPT ਉਸ ਫ਼ਾਈਲ ਦੇ ਪਾਠ ਅਤੇ ਉਸ ਵਿੱਚ ਮੌਜੂਦ ਕਿਸੇ ਵੀ ਦ੍ਰਿਸ਼ ਤੱਤ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ.
ਵੇਰਵਿਆਂ ਲਈ ਦੇਖੋ: PDF ਵਿੱਚੋਂ ਦ੍ਰਿਸ਼ ਸਮੱਗਰੀ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ ਬਾਰੇ ਆਮ ਸਵਾਲ.
ChatGPT Enterprise ਵਿੱਚ ਤੁਸੀਂ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਫ਼ਾਈਲਾਂ ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ:
ਸਿੱਧੇ ਆਪਣੇ ਕੰਪਿਊਟਰ ਤੋਂ
GPT ਗਿਆਨ ਵਜੋਂ
ਪ੍ਰੋਜੈਕਟ ਫ਼ਾਈਲ ਵਜੋਂ
GPT ਕਾਰਵਾਈ ਤੋਂ
ਇਹ ਗਾਈਡ ਸਮਝਾਉਂਦੀ ਹੈ ਕਿ ChatGPT Enterprise ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਫ਼ਾਈਲਾਂ ਦੀ ਕਿਸਮ, ਗਿਣਤੀ ਅਤੇ ਆਕਾਰ ਦੇ ਆਧਾਰ ’ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੀਆਂ ਹਨ. ਇਸ ਵਿੱਚ ਫ਼ਾਈਲਾਂ ਦੀਆਂ ਲੋੜਾਂ ਮੁਤਾਬਕ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਵੀ ਦੱਸੀਆਂ ਗਈਆਂ ਹਨ.
ਸਾਰ
ChatGPT Enterprise ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਫ਼ਾਈਲਾਂ ਨੂੰ ਬਹੁਤ ਵੱਖਰੇ ਤਰੀਕਿਆਂ ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ: PDF, ਪੇਸ਼ਕਾਰੀਆਂ ਅਤੇ ਵਰਡ ਫ਼ਾਈਲਾਂ ਵਰਗੇ ਲਿਖਤੀ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚੋਂ ਪਾਠ ਕੱਢਦਾ ਹੈ, Python ਕੋਡ ਨਾਲ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਦੇ ਢਾਂਚਾਬੱਧ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਅਤੇ GPT-Vision ਰਾਹੀਂ ਤਸਵੀਰਾਂ ਵਾਲੀਆਂ ਫ਼ਾਈਲਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ. ਉਮੀਦ ਮੁਤਾਬਕ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਹ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਕਿਸ ਕਿਸਮ ਦੀ ਫ਼ਾਈਲ ਨਾਲ ਕਿਹੜੀ ਕਾਰਜ-ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ.
ਪਾਠ-ਆਧਾਰਿਤ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ, ChatGPT Enterprise ਜਿੰਨਾ ਹੋ ਸਕੇ ਉੰਨਾ ਸੰਬੰਧਿਤ ਪਾਠ ਸਿੱਧੇ ਪ੍ਰੌੰਪਟ ਦੇ ਨਾਲ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ਅਤੇ ਹੋਰ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਖੋਜ ਪ੍ਰਣਾਲੀ ਵਰਤਦਾ ਹੈ. ਇਹ ਤਰੀਕਾ ਖ਼ਾਸ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਚੰਗਾ ਕੰਮ ਕਰਦਾ ਹੈ. ਪਰ ਬਹੁਤ ਵੱਡੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰ ਬਣਾਉਣ ਜਾਂ ਕਈ ਵੱਡੀਆਂ ਫ਼ਾਈਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਵਰਗੇ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਵਿੱਚ ਇਸ ਤਰੀਕੇ ਨੂੰ ਮੁਸ਼ਕਲ ਆ ਸਕਦੀ ਹੈ. ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਸਮਝਣ ਲਈ ਅੱਗੇ ਪੜ੍ਹੋ.
ਕਿਸਮ ਦੇ ਆਧਾਰ ’ਤੇ ਫ਼ਾਈਲਾਂ ਨੂੰ ਸੰਭਾਲਣਾ
ChatGPT Enterprise ਤਿੰਨ ਮੁੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਫ਼ਾਈਲਾਂ ’ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ: ਪਾਠ ਕੱਢਣਾ, ਕੋਡ ਰਾਹੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਅਤੇ ਤਸਵੀਰਾਂ ਨੂੰ ਸਮਝਣਾ. ਫ਼ਾਈਲ ਦੀ ਕਿਸਮ ਤੈਅ ਕਰਦੀ ਹੈ ਕਿ ChatGPT Enterprise ਕਿਹੜੀ ਕਾਰਜ-ਪ੍ਰਕਿਰਿਆ ਅਪਣਾਏਗਾ.
| ਪਾਠ-ਆਧਾਰਿਤ ਮੁੜ-ਪ੍ਰਾਪਤੀ | ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ | ਤਸਵੀਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ | ਦ੍ਰਿਸ਼ ਸਮੱਗਰੀ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ | |
|---|---|---|---|---|
| ਫ਼ਾਈਲ ਕਿਸਮਾਂ ਦੀਆਂ ਉਦਾਹਰਨਾਂ | pptx, docx, txt, md, json, xml, pdf* * GPT ਗਿਆਨ ਜਾਂ ਪ੍ਰੋਜੈਕਟ ਫ਼ਾਈਲਾਂ ਵਜੋਂ ਅੱਪਲੋਡ ਕੀਤੀਆਂ PDF ਫ਼ਾਈਲਾਂ | csv, xls, xlsx* *ਨੋਟ: ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ ਕਿਸੇ ਵੀ ਕਿਸਮ ਦੀ ਫ਼ਾਈਲ ’ਤੇ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ChatGPT Enterprise ਆਮ ਤੌਰ ’ਤੇ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਲਈ ਆਪਣੇ ਆਪ ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ ਵਰਤਦਾ ਹੈ | jpg, png | pdf* * ਵਰਤੋਂਕਾਰ ਦੇ ਪ੍ਰੌੰਪਟਾਂ ਵਿੱਚ ਸ਼ਾਮਲ PDF ਫ਼ਾਈਲਾਂ |
| ਕੰਮ ਕਰਨ ਦਾ ਤਰੀਕਾ | ਫ਼ਾਈਲ ਵਿੱਚੋਂ ਪਾਠ ਕੱਢਦਾ ਹੈ – ਕੁਝ ਪਾਠ ਸਿੱਧੇ ਸੰਦਰਭ ਸੀਮਾ ਵਿੱਚ ਚਿਪਕਾਇਆ (“ਭਰਿਆ”) ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੁਝ ਖੋਜ ਲਈ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ | ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਫ਼ਾਈਲ Python ਨੂੰ ਭੇਜਦਾ ਹੈ | ਮਲਟੀ-ਮੋਡਲ ਮਾਡਲ ਤਸਵੀਰਾਂ ਨੂੰ ਸਿੱਧੇ ਸਮਝਦੇ ਹਨ, ਪਰ ਇਸ ’ਤੇ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਸੀਮਾਵਾਂ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ. | ਪਾਠ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ ਅਤੇ ਤਸਵੀਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਿਲਿਆ-ਜੁਲਿਆ ਤਰੀਕਾ. ਪਾਠ ਡਿਜੀਟਲ ਢੰਗ ਨਾਲ ਕੱਢਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਮਲਟੀ-ਮੋਡਲ ਮਾਡਲ ਦ੍ਰਿਸ਼ ਸਮੱਗਰੀ ਨੂੰ ਸਿੱਧੇ ਸਮਝਦੇ ਹਨ. |
ਸਿਰਫ਼ ਪਾਠ ਵਾਲੀਆਂ ਫ਼ਾਈਲਾਂ, ਤਸਵੀਰਾਂ ਵਾਲੀਆਂ ਫ਼ਾਈਲਾਂ ਜਾਂ ਸਪਸ਼ਟ ਢਾਂਚੇ ਵਾਲੀਆਂ ਡੇਟਾ ਫ਼ਾਈਲਾਂ (ਜਿਵੇਂ ਕਿ ਐਕਸਲ ਵਿੱਚ ਲੈਣ-ਦੇਣ ਦੀ ਸਾਰਣੀ) ਲਈ ਇਹ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ.
ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ ਇਹ ਵੰਡ ਇੰਨੀ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦੀ, ਉਦਾਹਰਨ ਵਜੋਂ:
PDF ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਫ਼ਾਈਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਤਸਵੀਰਾਂ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ. ਉਨ੍ਹਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ, ਅੱਪਲੋਡ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਫ਼ਾਈਲ ਨੂੰ PDF ਵਿੱਚ ਬਦਲੋ.
ChatGPT Enterprise ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ’ਤੇ ਕੰਮ ਕਰਨ ਲਈ ਹਮੇਸ਼ਾ ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ ਵਰਤੇਗਾ, ਭਾਵੇਂ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਪਾਠ ਹੋਵੇ. ਮਿਸਾਲ ਵਜੋਂ, ਜੇ ਤੁਸੀਂ ChatGPT Enterprise ਨੂੰ ਪਾਠ ਦੀਆਂ 10 ਕਤਾਰਾਂ ਵਾਲੀ CSV ਫ਼ਾਈਲ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਇਹ Python ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਅਨੁਵਾਦ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗਾ. ਇਹ ਮਾਡਲ ਤੋਂ ਸਿੱਧਾ ਅਨੁਵਾਦ ਕਰਵਾਉਣ ਨਾਲੋਂ ਘੱਟ ਸਹੀ ਹੁੰਦਾ ਹੈ. ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਘਟਾਉਣ ਲਈ, ਸਪ੍ਰੈਡਸ਼ੀਟ ਨੂੰ ਪਾਠ-ਆਧਾਰਿਤ ਫ਼ਾਰਮੈਟ (ਮਿਸਾਲ ਵਜੋਂ PDF) ਵਿੱਚ ਨਿਰਯਾਤ ਕਰਕੇ ਦੇਖੋ.
ਇਸੇ ਤਰ੍ਹਾਂ, ਜੇ ਤੁਸੀਂ JSON ਫ਼ਾਈਲ ਵਿੱਚ ਲੈਣ-ਦੇਣ ਦੀ ਢਾਂਚਾਬੱਧ ਸਾਰਣੀ ਅੱਪਲੋਡ ਕਰਦੇ ਹੋ, ਤਾਂ ChatGPT Enterprise ਇਸ ਫ਼ਾਈਲ ਨੂੰ ਸਾਦੇ ਪਾਠ ਵਜੋਂ ਸਮਝੇਗਾ. ਜੇ ਤੁਸੀਂ JSON ਫ਼ਾਈਲ ਵਿਚਲੇ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਪ੍ਰੌੰਪਟ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਕੋਡ ਇੰਟਰਪ੍ਰੀਟਰ ਵਰਤਣ ਦੀ ਹਦਾਇਤ ਦਿਓ.
ਆਕਾਰ ਦੇ ਆਧਾਰ ਤੇ ਫ਼ਾਈਲਾਂ ਸੰਭਾਲਣਾ
ChatGPT Enterprise ਵੱਧ ਤੋਂ ਵੱਧ 128k ਟੋਕਨ (ਲਗਭਗ 200 ਪੰਨੇ ਟੈਕਸਟ) ਦੀ ਸੰਦਰਭ ਸੀਮਾ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਅੱਪਲੋਡ ਕੀਤੀਆਂ ਫ਼ਾਈਲਾਂ ਤੋਂ ਟੈਕਸਟ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਸਾਰੇ ਟੋਕਨ ਵਰਤੇ ਨਹੀਂ ਜਾਂਦੇ. “ਸਟਫ਼ ਕੀਤੇ” ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਵਰਤੋਂ ਦੀ ਕਿਸਮ ਅਨੁਸਾਰ ਬਦਲਦੀ ਹੈ.
ChatGPT Enterprise ਕੁਝ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ “ਸਟਫ਼” ਕਰਦਾ ਹੈ, ਅਤੇ ਬਾਕੀ ਟੈਕਸਟ ਇੱਕ ਨਿੱਜੀ ਖੋਜ ਇੰਡੈਕਸ (ਇੱਕ “ਵੈਕਟਰ ਸਟੋਰ”, ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸਟੋਰ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਡੇਟਾਬੇਸ ਹੈ) ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ. ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ChatGPT Enterprise ਸ਼ਾਮਲ ਕੀਤੇ ਟੈਕਸਟ ਦੇ ਨਾਲ ਨਿੱਜੀ ਖੋਜ ਇੰਡੈਕਸ ਤੋਂ ਪ੍ਰਾਪਤ ਸੰਬੰਧਿਤ ਹਿੱਸੇ ਲਿਆਉਂਦਾ ਹੈ.
ਜੇ ਤੁਸੀਂ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਅੱਪਲੋਡ ਕਰਦੇ ਹੋ, ChatGPT Enterprise ਸ਼ੁਰੂਆਤ ਤੋਂ ਟੈਕਸਟ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ਜਦ ਤੱਕ ਇਹ ਆਪਣੀ ਸੀਮਾ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚਦਾ. ਜੇ ਤੁਸੀਂ ਕਈ ਦਸਤਾਵੇਜ਼ ਅੱਪਲੋਡ ਕਰਦੇ ਹੋ, ChatGPT Enterprise ਹਰ ਦਸਤਾਵੇਜ਼ ਦਾ ਕੁਝ ਜਾਂ ਸਾਰਾ ਹਿੱਸਾ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ. ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰਾ ਟੈਕਸਟ ਵੀ ਇੱਕ ਨਿੱਜੀ ਖੋਜ ਇੰਡੈਕਸ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ.
ਟੈਕਸਟ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ ਸੰਦਰਭ ਸਟਫਿੰਗ
ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਇਸ ਵੇਲੇ ਸਰਗਰਮ ਵਿਕਾਸ ਅਧੀਨ ਹੈ. ਇਸ ਲਈ, ਹੇਠਾਂ ਦਿੱਤੇ ਵੇਰਵੇ ਬਿਨਾਂ ਕਿਸੇ ਪਹਿਲਾਂ ਸੂਚਨਾ ਦੇ ਬਦਲ ਸਕਦੇ ਹਨ.
ChatGPT Enterprise ਅੱਪਲੋਡ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ 110 ਹਜ਼ਾਰ ਟੋਕਨਾਂ ਤੱਕ ਨੂੰ ਸੰਦਰਭ ਸੀਮਾ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ. ਜੇ ਤੁਸੀਂ ਇੱਕ ਜਾਂ ਵੱਧ ਦਸਤਾਵੇਜ਼ ਅੱਪਲੋਡ ਕਰਦੇ ਹੋ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੁੱਲ ਮਿਲਾ ਕੇ 110 ਹਜ਼ਾਰ ਤੋਂ ਘੱਟ ਟੋਕਨ ਹਨ, ਤਾਂ ਉਨ੍ਹਾਂ ਦੀ ਪੂਰੀ ਸਮੱਗਰੀ ਸ਼ਾਮਲ ਕੀਤੀ ਜਾਵੇਗੀ.
ਜੇ ਕਿਸੇ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ 110 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਟੋਕਨ ਹਨ, ਤਾਂ ਉਸ ਦੇ ਸ਼ੁਰੂ ਤੋਂ ਸਿਰਫ਼ ਪਹਿਲੇ 110 ਹਜ਼ਾਰ ਟੋਕਨ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣਗੇ. ਬਾਕੀ ਸਮੱਗਰੀ ਸਿਰਫ਼ ਨਿੱਜੀ ਖੋਜ ਸੂਚਕਾਂਕ ਵਿੱਚ ਭੇਜੀ ਜਾਵੇਗੀ.
ਜੇ ਕਈ ਦਸਤਾਵੇਜ਼ ਅੱਪਲੋਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿੱਚ ਕੁੱਲ ਮਿਲਾ ਕੇ 110 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਟੋਕਨ ਹਨ, ਤਾਂ ChatGPT Enterprise ਹਰੇਕ ਦਸਤਾਵੇਜ਼ ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਸੰਤੁਲਿਤ ਢੰਗ ਨਾਲ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਹੇਠਲੀ ਪ੍ਰਕਿਰਿਆ ਵਰਤਦਾ ਹੈ:
ਅੱਪਲੋਡ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚੋਂ ਬਰਾਬਰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਕੁੱਲ 55 ਹਜ਼ਾਰ ਤੱਕ ਟੋਕਨ ਕੱਢੇ ਜਾਂਦੇ ਹਨ.
ਪਹਿਲੇ ਪੜਾਅ ਵਿੱਚ ਪੂਰੇ ਸ਼ਾਮਲ ਨਾ ਹੋਏ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ, ਬਾਕੀ 55 ਹਜ਼ਾਰ ਟੋਕਨਾਂ ਦੀ ਥਾਂ ਹਰੇਕ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਬਚੇ ਟੋਕਨਾਂ ਦੇ ਅਨੁਪਾਤ ਅਨੁਸਾਰ ਵੰਡੀ ਜਾਂਦੀ ਹੈ.
ਇਸ ਤੋਂ ਬਾਅਦ ਬਚੇ ਸਾਰੇ ਟੋਕਨ ਸਿਰਫ਼ ਨਿੱਜੀ ਖੋਜ ਸੂਚਕਾਂਕ ਵਿੱਚ ਭੇਜੇ ਜਾਂਦੇ ਹਨ.
ਤੁਸੀਂ ਕਿਸੇ ਲਿਖਤੀ ਦਸਤਾਵੇਜ਼ ਦਾ ਪਾਠ ਕਾਪੀ ਕਰਕੇ OpenAI ਟੋਕਨਾਈਜ਼ਰ ਵਿੱਚ ਪਾ ਕੇ ਉਸ ਦੇ ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ.
ਮਲਟੀਮੀਡੀਆ PDF ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਸੰਦਰਭ ਵਿੱਚ ਭਰਨਾ
ਜਦੋਂ ਵਰਤੋਂਕਾਰ ਪਾਠ ਅਤੇ ਤਸਵੀਰਾਂ ਵਾਲੀਆਂ PDF ਫ਼ਾਈਲਾਂ ਅੱਪਲੋਡ ਕਰਦੇ ਹਨ, ਤਾਂ ਦ੍ਰਿਸ਼ ਸਮੱਗਰੀ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ ਨਾਲ ChatGPT ਡਿਜੀਟਲ ਢੰਗ ਨਾਲ ਕੱਢੇ ਪਾਠ ਦੇ ਨਾਲ-ਨਾਲ ਇਨ੍ਹਾਂ ਤਸਵੀਰਾਂ ਨੂੰ ਵੀ ਸਿੱਧੇ ਤੌਰ ’ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ. ਮਲਟੀਮੀਡੀਆ PDF ਲਈ ਸੰਦਰਭ ਸੰਭਾਲਣ ਦੀਆਂ ਸਾਡੀਆਂ ਮਿਆਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤੋਂ ਇਲਾਵਾ ਹੇਠਲੇ ਪੜਾਅ ਵੀ ਵਰਤੇ ਜਾਂਦੇ ਹਨ:
ਤਸਵੀਰਾਂ ਕੱਢਣਾ ਅਤੇ ਐਂਬੈਡ ਕਰਨਾ: ਤਸਵੀਰਾਂ ਨੂੰ ਕੱਢ ਕੇ ਉਨ੍ਹਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਡਿਜੀਟਲ ਪਾਠ ਦੇ ਨਾਲ ਐਂਬੈਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
ਸੂਝ-ਬੂਝ ਨਾਲ ਆਕਾਰ ਬਦਲਣਾ: ਜਾਣਕਾਰੀ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਉਪਲਬਧ ਸੰਦਰਭ ਸੀਮਾ ਦੀ ਕੁਸ਼ਲ ਵਰਤੋਂ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਈ ਰੱਖਣ ਲਈ ਤਸਵੀਰਾਂ ਦਾ ਆਕਾਰ ਆਪਣੇ ਆਪ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ.
ਜਦੋਂ ਅੱਪਲੋਡ ਕੀਤੀਆਂ PDF ਫ਼ਾਈਲਾਂ 110 ਹਜ਼ਾਰ ਟੋਕਨਾਂ ਦੀ ਸੀਮਾ ਤੋਂ ਵੱਧ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਤਸਵੀਰਾਂ ਅਤੇ ਪਾਠ ਦੋਵਾਂ ਨੂੰ ਨਿੱਜੀ ਖੋਜ ਸੂਚਕਾਂਕ ਵਿੱਚ ਐਂਬੈਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਪਾਠ ਦੀਆਂ ਐਂਬੈਡਿੰਗਾਂ ਵਿੱਚ ਸੰਬੰਧਿਤ ਤਸਵੀਰਾਂ ਦੇ ਹਵਾਲੇ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ChatGPT ਵਰਤੋਂਕਾਰ ਦੇ ਸਵਾਲਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਢੁਕਵੇਂ ਪਾਠ ਅਤੇ ਤਸਵੀਰਾਂ ਦੇ ਜੋੜੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ. ਫਿਰ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ChatGPT ਦੀਆਂ ਅੰਦਰੂਨੀ ਮਲਟੀ-ਮੋਡਲ ਸਮਰੱਥਾਵਾਂ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
ਮਲਟੀਮੀਡੀਆ PDF ਲਈ ਲੋੜੀਂਦੇ ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ. ਜਾਂਚ ਤੋਂ ਸੰਕੇਤ ਮਿਲਦਾ ਹੈ ਕਿ ਪਾਠ ਅਤੇ ਤਸਵੀਰਾਂ ਵਾਲੇ ਲਗਭਗ 350 ਸਫ਼ੇ 110 ਹਜ਼ਾਰ ਟੋਕਨਾਂ ਦੀ ਸੰਦਰਭ ਸੀਮਾ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਰਤ ਲੈਣਗੇ.
ਮਾਡਲ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ ਤੇ ਖੋਜ ਰਣਨੀਤੀਆਂ
GPT-ਸੀਰੀਜ਼ ਅਤੇ o-ਸੀਰੀਜ਼ ਦੋਵੇਂ ਮਾਡਲ ਫ਼ਾਈਲ ਅੱਪਲੋਡ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ ਅਤੇ ਇਕੋ ਜਿਹੇ ਸੰਦਰਭ ਸਟਫਿੰਗ ਅਤੇ ਖੋਜ ਐਮਬੈਡਿੰਗ ਲਾਜਿਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ. ਸਾਰੇ ਮਾਡਲ ਕੀਵਰਡ ਅਤੇ ਸੈਮੈਂਟਿਕ ਤਰੀਕਿਆਂ ਨੂੰ ਜੋੜ ਕੇ, ਇੱਕ ਨਿੱਜੀ ਖੋਜ ਇੰਡੈਕਸ ਤੇ ਹਾਈਬ੍ਰਿਡ ਖੋਜਾਂ ਚਲਾਉਂਦੇ ਹਨ. ਹਾਈਬ੍ਰਿਡ ਖੋਜ ਵਿੱਚ, ਮਾਡਲ ਵਰਤੋਂਕਾਰ ਦੇ ਪ੍ਰੌੰਪਟ ਦੇ ਆਧਾਰ ਤੇ ਇੱਕ ਖੋਜ ਵਾਕਾਂਸ਼ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਨਿੱਜੀ ਖੋਜ ਇੰਡੈਕਸ ਉਸ ਅਨੁਸਾਰ ਸੰਬੰਧਿਤ ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ.
ਹਾਲਾਂਕਿ, ਇਹ ਮਾਡਲ ਸੰਦਰਭ ਸੀਮਾ ਤੋਂ ਵੱਧ ਵੱਡੇ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਖੋਜ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਵੱਖਰੇ ਹਨ:
GPT-ਲੜੀ ਦੇ ਮਾਡਲ
ਹਰੇਕ ਪ੍ਰੌੰਪਟ ਲਈ ਇੱਕ ਖੋਜ: GPT-ਲੜੀ ਦੇ ਮਾਡਲ ਹਰੇਕ ਵਰਤੋਂਕਾਰ ਪ੍ਰੌੰਪਟ ਲਈ ਇੱਕ ਖੋਜ ਕਰਦੇ ਹਨ.
ਅਸਰਦਾਰ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ: ਵਿਆਪਕ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਮੌਜੂਦ ਸਿੱਧੇ-ਸਾਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਆਦਰਸ਼ ਹਨ.
ਸਵਾਲਾਂ ਦੀਆਂ ਉਦਾਹਰਨਾਂ:
"ਅਗੇਤੀ ਸੇਵਾਮੁਕਤੀ ਬਾਰੇ ਮਨੁੱਖੀ ਸਰੋਤ ਨੀਤੀ ਕੀ ਹੈ?"
"process_order ਫੰਕਸ਼ਨ ਕੀ ਕਰਦਾ ਹੈ?"
o-ਲੜੀ ਦੇ ਮਾਡਲ
ਹਰੇਕ ਪ੍ਰੌੰਪਟ ਲਈ ਕਈ ਖੋਜਾਂ: ਹਰੇਕ ਵਰਤੋਂਕਾਰ ਪ੍ਰੌੰਪਟ ਲਈ ਵੱਖਰੇ ਖੋਜ ਵਾਕਾਂਸ਼ ਨਾਲ ਕਈ ਖੋਜਾਂ (ਆਮ ਤੌਰ 'ਤੇ 2-3) ਕਰ ਸਕਦੇ ਹਨ. ਖੋਜਾਂ ਇੱਕ ਤੋਂ ਬਾਅਦ ਇੱਕ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਮਾਡਲ ਪਿਛਲੀਆਂ ਖੋਜਾਂ ਤੋਂ ਮਿਲੀ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਆਪਣਾ ਤਰੀਕਾ ਬਦਲ ਸਕਦਾ ਹੈ.
ਅਸਰਦਾਰ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ: ਵਿਆਪਕ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਕਈ ਨਿਸ਼ਾਨਾਬੱਧ ਖੋਜਾਂ ਦੀ ਲੋੜ ਵਾਲੇ ਗੁੰਝਲਦਾਰ ਸਵਾਲਾਂ ਲਈ ਵਧੇਰੇ ਢੁਕਵੇਂ ਹਨ.
ਸਵਾਲਾਂ ਦੀਆਂ ਉਦਾਹਰਨਾਂ:
"ਅਗੇਤੀ ਸੇਵਾਮੁਕਤੀ, ਮਾਤਾ-ਪਿਤਾ ਛੁੱਟੀ ਅਤੇ ਵਿਦੇਸ਼ ਤਬਾਦਲੇ ਬਾਰੇ ਮਨੁੱਖੀ ਸਰੋਤ ਨੀਤੀਆਂ ਕੀ ਹਨ?"
"ਦੱਸੋ ਕਿ process_order ਫੰਕਸ਼ਨ ਕੀ ਕਰਦਾ ਹੈ, ਇਸ ਵੱਲੋਂ ਸੱਦੇ ਜਾਂਦੇ ਸਾਰੇ ਢੰਗਾਂ ਦੀ ਸੂਚੀ ਦਿਓ ਅਤੇ ਹਰੇਕ ਦਾ ਸੰਖੇਪ ਵਰਣਨ ਕਰੋ."
ਆਪਣੀਆਂ ਖੂਬੀਆਂ ਦੇ ਬਾਵਜੂਦ, ਤਿੰਨ ਤੋਂ ਵੱਧ ਖੋਜਾਂ ਦੀ ਲੋੜ ਵਾਲੇ ਸਵਾਲਾਂ ਵਿੱਚ o-ਲੜੀ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਆ ਸਕਦੀ ਹੈ.
ਫ਼ਾਈਲ ਖੋਜ ਨਤੀਜਿਆਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਸੁਝਾਅ
ਕਈ ਖੋਜਾਂ ਦੀ ਲੋੜ ਵਾਲੇ ਜਟਿਲ ਸਵਾਲਾਂ ਲਈ o-ਸੀਰੀਜ਼ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ.
ਯਾਦ ਰੱਖੋ ਕਿ ਜਵਾਬ ਤੁਹਾਡੇ ਦੁਆਰਾ ਅੱਪਲੋਡ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਕਿਸਮ, ਗਿਣਤੀ, ਅਤੇ ਆਕਾਰ ਅਨੁਸਾਰ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ.
ਆਮ ਤੌਰ ਤੇ, ਘੱਟ ਅਤੇ ਕੇਂਦ੍ਰਿਤ ਦਸਤਾਵੇਜ਼ ਲੋਡ ਕਰਨ ਨਾਲ ਸ਼ੁੱਧਤਾ ਵੱਧੇਗੀ.
ਕਈ-ਸਵਾਲਾਂ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਇੱਕ-ਇੱਕ ਸਵਾਲ ਵਿੱਚ ਬਦਲੋ:
ਜੇ ਤੁਹਾਨੂੰ ਹਰ ਰਾਜ ਦੀਆਂ HR ਨੀਤੀਆਂ ਜਾਣਨੀਆਂ ਹਨ, ਤਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਪੁੱਛੋ.
ਜੇ ਤੁਹਾਨੂੰ ਕਈ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰ ਕਰਨਾ ਹੈ, ਤਾਂ ਇੱਕ ਵੇਲੇ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਲਈ ਪੁੱਛੋ. ਜੇ ਉਹ ਦਸਤਾਵੇਜ਼ ਕਈ ਸੈਂਕੜੇ ਪੰਨਿਆਂ ਦਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਣ ਬਾਰੇ ਸੋਚੋ.
ਜੇ ਤੁਸੀਂ ਪੂਰੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਬਜਾਏ ਕਈ ਸਾਰ ਦਿੱਤੇ ਹਨ, ਤਾਂ ਤੁਸੀਂ ChatGPT Enterprise ਨੂੰ “ਸਾਰਾਂ ਦਾ ਸਾਰ” ਲਿਖਣ ਲਈ ਕਹਿ ਸਕਦੇ ਹੋ.
ਜੇ ਤੁਹਾਡੇ ਕੋਲ RFP ਦੀ CSV ਹੈ (ਹਰ ਲਾਈਨ ਇੱਕ ਵੱਖਰਾ ਸਵਾਲ ਹੈ), ਤਾਂ ਕੇਵਲ CSV ਲੋਡ ਕਰਕੇ ਇੱਕੋ ਜਵਾਬ ਮੰਗਣ ਦੀ ਬਜਾਏ ਉਹ ਸਵਾਲ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਪੁੱਛੋ.
ਮਾਡਲ ਦੇ ਜਵਾਬਾਂ ਦਾ ਆਡਿਟ ਕਰਨ ਦੇ ਤਰੀਕੇ ਲੱਭੋ. ਉਦਾਹਰਨ GPT ਨਿਰਦੇਸ਼ ਹੇਠਾਂ ਹਨ:
# ਸੰਦਰਭ
ਤੁਸੀਂ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਾਹਰ ਹੋ. ਵਰਤੋਂਕਾਰ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਅਟੈਚ ਕਰੇਗਾ ਅਤੇ ਇੱਕ ਸਵਾਲ ਪੁੱਛੇਗਾ. ਉਹਨਾਂ ਨੂੰ ਤੁਹਾਡੇ ਜਵਾਬ ਨੂੰ ਲਿਖਤ ਦੇ ਠੀਕ ਉਸ ਹਿੱਸੇ ਨਾਲ ਜੋੜ ਸਕਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਥੋਂ ਤੁਸੀਂ ਜਵਾਬ ਲਿਆ ਹੈ.
# ਹਦਾਇਤਾਂ
1. ਹੇਠਾਂ ਦਿੱਤੇ ਸਹੀ ਫਾਰਮੈਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਰਤੋਂਕਾਰ ਦੇ ਅਟੈਚ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ ਦੇ ਆਧਾਰ 'ਤੇ ਉਸਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ
# ਫਾਰਮੈਟ
- ਸਵਾਲ: { ਵਰਤੋਂਕਾਰ ਦਾ ਸਵਾਲ ਦੁਹਰਾਓ }
- ਜਵਾਬ: { ਵਰਤੋਂਕਾਰ ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ }
ਸਰੋਤ:
- - ਸੈਕਸ਼ਨ ਨੰਬਰ: { ਉਹ ਸੈਕਸ਼ਨ ਨੰਬਰ ਦਿਓ ਜਿਥੋਂ ਤੁਸੀਂ ਜਵਾਬ ਲਿਆ }
- - ਸੈਕਸ਼ਨ ਸਿਰਲੇਖ: { ਉਹ ਸੈਕਸ਼ਨ ਸਿਰਲੇਖ ਦਿਓ ਜਿਥੋਂ ਤੁਸੀਂ ਜਵਾਬ ਲਿਆ }
- - ਸਹੀ ਲਿਖਤ: { ਉਹ ਸਹੀ ਲਿਖਤ ਦਿਓ ਜਿਥੋਂ ਤੁਸੀਂ ਜਵਾਬ ਲਿਆ }
# ਨਿਯਮ
- ਜਵਾਬ ਸਪਸ਼ਟ ਅਤੇ ਸੰਖੇਪ ਦਿਓ
- ਸਿਰਫ਼ ਉਹੀ ਜਾਣਕਾਰੀ ਦਿਓ ਜੋ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਦਿੱਤੀ ਗਈ ਹੈ
- ਜੇ ਤੁਸੀਂ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਜਵਾਬ ਨਹੀਂ ਲੱਭ ਸਕਦੇ, ਤਾਂ ਸਿਰਫ਼ "ਕੋਈ ਜਾਣਕਾਰੀ ਨਹੀਂ ਮਿਲੀ." ਲਿਖੋ