ChatGPT Enterprise stöder nu läsning och förståelse av visuellt innehåll (bilder, grafer, diagram osv.) som är inbäddat i PDF-filer som ingår i prompter. Användare kan ladda upp en PDF, och ChatGPT kan tolka texten och alla visuella element i filen.
Mer information finns i Vanliga frågor om visuell hämtning med PDF:er.
ChatGPT Enterprise låter dig ladda upp filer på flera sätt:
Direkt från din dator
Som GPT-kunskap
Som en projektfil
Från en GPT-åtgärd
Den här guiden förklarar hur ChatGPT Enterprise-funktioner hanterar filer baserat på typ, antal och storlek, och diskuterar strategier för att förbättra resultat baserat på filkrav.
Sammanfattning
ChatGPT Enterprise behandlar olika filtyper mycket olika: extraherar text från textdokument som PDF:er, presentationer och Word-filer, analyserar strukturerade data från kalkylblad med Python-kod och beskriver bildfiler via GPT-Vision. Att förstå vilken filtyp som utlöser vilket arbetsflöde är avgörande för att få det förväntade resultatet.
För textbaserade dokument inkluderar ChatGPT Enterprise så mycket relevant text som möjligt direkt tillsammans med prompten och använder ett söksystem för att komma åt ytterligare information. Det fungerar bra för att besvara specifika frågor. Den här metoden kan dock ha svårt med komplexa uppgifter, som att sammanfatta mycket stora dokument eller jämföra flera stora filer. Läs vidare för att förstå strategier för att förbättra dina resultat.
Hantera filer baserat på typ
ChatGPT Enterprise bearbetar filer på tre huvudsakliga sätt: textextrahering, kodanalys och bildtolkning. Filtypen avgör vilket arbetsflöde ChatGPT Enterprise följer.
| Textbaserad hämtning | Kodtolkare | Bildbearbetning | Visuell hämtning | |
|---|---|---|---|---|
| Exempel på filtyper | pptx, docx, txt, md, json, xml, pdf* * PDF:er uppladdade som GPT-kunskap eller projektfiler | csv, xls, xlsx* *Obs! Kodtolkare kan arbeta med alla filtyper, men ChatGPT Enterprise använder oftast CI som standard för kalkylblad | jpg, png | pdf* * PDF:er som ingår i användarprompter |
| Beteende | Extraherar texten från filen – en del av texten klistras in (”infogas”) direkt i kontextfönstret; viss text lagras för sökning | Kodtolkare skickar filen till Python för bearbetning | Bilder tolkas direkt av multimodala modeller, med förbehåll för kända begränsningar . | En hybrid av texthämtning och bildbearbetning. Text extraheras digitalt, och visuellt innehåll tolkas direkt av multimodala modeller. |
För filer med enbart text, bildfiler eller tydligt strukturerade datafiler (t.ex. en Excel-tabell med transaktioner) representerar dessa indelningar bästa möjliga beteende.
Det finns vissa gråzoner som är mindre uppenbara, till exempel:
Bilder som är inbäddade i andra filer än PDF:er bearbetas inte. Om du vill inkludera dem konverterar du filen till en PDF innan du laddar upp den.
ChatGPT Enterprise använder alltid Kodtolkare för att interagera med kalkylblad, även om dokumentet innehåller en stor mängd text. Om du till exempel ber ChatGPT Enterprise att översätta en CSV-fil med 10 rader text försöker den översätta filen med ett Python-bibliotek, vilket är mindre korrekt än att låta modellen generera en översättning direkt. För att motverka detta kan du prova att exportera kalkylbladet till ett textbaserat format (till exempel PDF).
På samma sätt tolkar ChatGPT Enterprise en strukturerad transaktionstabell i en JSON-fil som ren text. Om du vill analysera data i en JSON-fil instruerar du modellen att använda Kodtolkare i din prompt.
Hantera filer baserat på storlek
ChatGPT Enterprise använder modeller med ett maximalt kontextfönster på 128 000 token (ungefär 200 sidor text). Alla token används dock inte för att införliva texten från uppladdade filer. Antalet ”infogade” token varierar beroende på användningstyp.
ChatGPT Enterprise ”infogar” en viss mängd text, och återstående text skickas till ett privat sökindex (ett ”vektorlager”, som är en typ av databas utformad för att effektivt lagra och hämta stora mängder text). När du ställer en fråga tar ChatGPT Enterprise med den inkluderade texten tillsammans med relevanta delar som hämtas från ett privat sökindex.
Om du laddar upp ett enda dokument inkluderar ChatGPT Enterprise text från början tills gränsen nås. Om du laddar upp flera dokument inkluderar ChatGPT Enterprise delar av eller hela varje dokument. All text från dokumenten skickas också till ett privat sökindex.
Kontextfyllning för textdokument
Den här funktionen är under aktiv utveckling. Därför kan följande detaljer ändras utan föregående meddelande.
ChatGPT Enterprise kan bearbeta upp till 110 000 token från uppladdade dokument i kontextfönstret. Om du laddar upp ett eller flera dokument med ett sammanlagt totalt antal på mindre än 110 000 token inkluderas hela innehållet.
För ett enskilt dokument som överskrider 110 000 token inkluderas endast de första 110 000 token, från början. Resten skickas endast till det privata sökindexet.
Om flera dokument laddas upp och deras sammanlagda total överstiger 110 000 token använder ChatGPT Enterprise en tvåstegsprocess för att balansera dokumentrepresentationen:
Extrahera upp till 55 000 token, fördelade jämnt mellan de uppladdade dokumenten.
För dokument som inte representeras fullt ut i det första steget tilldelas återstående 55 000 token proportionellt baserat på antalet token som finns kvar i varje dokument.
Eventuella återstående token skickas endast till det privata sökindexet.
Du kan uppskatta antalet token i ett textdokument genom att kopiera dokumentets text till OpenAI Tokenizer.
Kontextfyllning för multimediala PDF:er
När användare laddar upp PDF:er som innehåller både text och bilder gör Visuell hämtning det möjligt för ChatGPT att bearbeta dessa bilder direkt tillsammans med digitalt extraherad text. Följande steg kompletterar våra standardprocedurer för kontexthantering för multimediala PDF:er:
Bildextrahering och inbäddning: Bilder extraheras och bäddas in tillsammans med tillhörande digital text.
Intelligent skalning: Bilder skalas automatiskt för att upprätthålla en balans mellan informationskvalitet och effektiv användning av det tillgängliga kontextfönstret.
När uppladdade PDF:er överskrider gränsen på 110 000 token bäddas både bilder och text in i det privata sökindexet. Textinbäddningar refererar till relevanta bilder, vilket gör att ChatGPT kan hämta lämpliga text–bild-par baserat på användarfrågor. Hämtade bilder bearbetas sedan med ChatGPT:s inbyggda multimodala funktioner.
Det är svårt att uppskatta tokenkrav för multimediala PDF:er korrekt. Tester tyder på att cirka 350 sidor med blandad text och bilder utnyttjar kontextfönstret på 110 000 token fullt ut.
Sökstrategier baserade på modelltyp
Både modeller i GPT-serien och o-serien stöder filuppladdningar och använder identisk logik för kontextfyllning och sökinbäddning. Alla modeller utför hybridsökningar mot ett privat sökindex och kombinerar nyckelordsbaserade och semantiska metoder. I en hybridsökning genererar modellen en sökfras baserad på användarens prompt, och det privata sökindexet hämtar relevant text och relevanta bilder utifrån den.
Dessa modeller skiljer sig dock åt i hur de söker igenom stora dokument som överskrider kontextfönstret:
Modeller i GPT-serien
En sökning per prompt: Modeller i GPT-serien utför en sökning per användarprompt.
Effektiva användningsfall: Idealiskt för att besvara enkla frågor som finns inbäddade i omfattande dokumentation.
Exempelfrågor:
”Vilken HR-policy gäller för förtida pensionering?”
”Vad gör funktionen
process_order?”
Modeller i o-serien
Flera sökningar per prompt: Kan utföra flera sökningar (vanligtvis 2–3) per användarprompt, var och en med en unik sökfras. Sökningar utförs sekventiellt, och modellen kan uppdatera sin metod baserat på information som hämtats i tidigare sökningar.
Effektiva användningsfall: Mer lämpade för komplexa frågor som kräver flera riktade sökningar i omfattande dokumentation.
Exempelfrågor:
”Vilka HR-policyer gäller för förtida pensionering, föräldraledighet och utlandstjänst?”
”Förklara vad funktionen
process_ordergör, lista alla metoder som anropas av den här funktionen och beskriv kort varje anropad metod.”
Trots sina styrkor kan modeller i o-serien få problem när en fråga kräver fler än tre sökningar.
Tips för att förbättra filsökningsresultat
Prova att använda en modell i o-serien för komplexa frågor som kräver flera sökningar.
Kom ihåg att svaren kan variera beroende på typ, antal och storlek på de dokument du laddar upp.
Generellt leder färre, fokuserade dokument till högre noggrannhet.
Gör ämnen med flera frågor till enskilda frågor:
Om du behöver känna till HR-policyer för varje delstat, ställ frågorna en i taget.
Om du behöver sammanfatta många dokument, be om ett dokument i taget. Om det dokumentet är många hundra sidor långt kan du överväga att dela upp det i mindre komponenter.
Du kan be ChatGPT Enterprise att skriva en ”sammanfattning av sammanfattningar” om du matar in flera sammanfattningar i stället för hela dokument.
Om du har en CSV med en RFP (där varje rad är en annan fråga), ställ frågorna en i taget i stället för att bara läsa in CSV:n och begära ett enda svar.
Hitta sätt att granska modellens svar. Exempel på GPT-instruktioner finns nedan:
# Kontext
Du är expert på att förstå dokument. Användaren kommer att bifoga ett dokument och ställa en fråga. De behöver kunna koppla ditt svar tillbaka till den exakta del av texten där du hämtade svaret.
# Instruktioner
1. Svara på användarens fråga utifrån det bifogade dokumentet med exakt det format som anges nedan
# Format
- Fråga: { upprepa användarens fråga }
- Svar: { ge ett svar på användarens fråga }
Källa:
- - Avsnittsnummer: { ange avsnittsnumret där du hämtade svaret }
- - Avsnittsrubrik: { ange avsnittsrubriken där du hämtade svaret }
- - Exakt text: { ange den exakta text där du hämtade svaret }
# Regler
- Ge svar som är tydliga och koncisa
- Ge endast information som finns i dokumentet
- Om du inte kan hitta svaret i dokumentet, svara bara ”Ingen information hittades.”