ChatGPT Enterprise 现已支持读取和理解提示中包含的 PDF 文件内嵌的视觉内容（图像、图表、示意图等）。用户可以上传 PDF，ChatGPT 可以解读该文件中的文本以及任何视觉元素。
有关详细信息，请参阅PDF 视觉检索常见问题。
ChatGPT Enterprise 支持通过以下几种方式上传文件：
本指南介绍 ChatGPT Enterprise 功能如何根据文件类型、数量和大小处理文件，并探讨如何根据文件要求改进输出结果。
摘要
ChatGPT Enterprise 处理不同文件类型的方式差异很大：从 PDF、演示文稿和 Word 文件等文本文档中提取文本；使用 Python 代码分析电子表格中的结构化数据；以及通过 GPT-Vision 描述图像文件。了解每种文件类型会触发哪种工作流，是获得预期结果的关键。
对于文本文档，ChatGPT Enterprise 会尽可能将相关文本直接与提示词一同纳入上下文，并通过搜索系统获取更多信息。这种方法很适合回答具体问题。不过，在总结超大型文档或比较多个大型文件等复杂任务中，这种方法可能难以取得理想效果。请继续阅读，了解改进结果的策略。
根据类型处理文件
ChatGPT Enterprise 主要通过三种方式处理文件：文本提取、代码分析和图像解读。ChatGPT Enterprise 采用哪种工作流取决于文件类型。
| 文本检索 | 代码解释器 | 图像处理 | 视觉检索 | |
|---|---|---|---|---|
| 文件类型示例 | pptx、docx、txt、md、json、xml、pdf* * 作为 GPT 知识 或 项目文件 上传的 PDF | csv、xls、xlsx* *注意：代码解释器可以处理任何文件类型，但对于电子表格，ChatGPT Enterprise 通常默认使用 CI | jpg、png | pdf* * 用户提示词中包含的 PDF |
| 处理方式 | 从文件中提取文本——部分文本会直接“填充”到上下文窗口中，另有部分文本会存储起来供搜索使用 | 代码解释器会将文件传递给 Python 进行处理 | 图像由多模态模型直接解读，但存在一些 已知限制 。 | 文本检索与图像处理相结合。系统以数字方式提取文本，并由多模态模型直接解读视觉内容。 |
对于纯文本文件、图像文件或结构清晰的数据文件（例如包含交易记录的 Excel 表格），上述分类对应的是最佳处理方式。
但也存在一些不太明确的模糊情况，例如：
系统不会处理 PDF 以外其他文件中嵌入的图像。如需处理这些图像，请在上传前将文件转换为 PDF。
ChatGPT Enterprise 始终会使用代码解释器来处理电子表格，即使文档中包含大量文本也是如此。例如，如果您让 ChatGPT Enterprise 翻译一个含有 10 行文本的 CSV 文件，它会尝试使用 Python 库进行翻译，其准确度不如由模型直接生成译文。为减轻这一问题，可尝试将电子表格导出为基于文本的格式（例如 PDF）。
同样，如果您上传的 JSON 文件中包含结构化交易表，ChatGPT Enterprise 会将该文件解读为纯文本。如果您想分析 JSON 文件中的数据，请在提示词中指示模型使用代码解释器。
基于大小处理文件
ChatGPT Enterprise 使用的模型最大上下文窗口为 128k Token（约 200 页文本）。不过，并非所有 Token 都用于纳入上传文件中的文本。“填充”的 Token 数量因使用类型而异。
ChatGPT Enterprise 会“填充”一定量的文本，其余文本会发送到私有搜索索引（“向量存储”，这是一种用于高效存储和检索大量文本的数据库）。当你提问时，ChatGPT Enterprise 会引入已包含的文本，以及从私有搜索索引中检索到的相关片段。
如果你上传单个文档，ChatGPT Enterprise 会从文档开头开始纳入文本，直到达到其限制。如果你上传多个文档，ChatGPT Enterprise 会纳入每个文档的部分或全部内容。文档中的所有文本也会发送到私有搜索索引。
文本文档的上下文填充
此功能正在积极开发中。因此，以下详细信息可能会更改，恕不另行通知。
ChatGPT Enterprise 可在上下文窗口中处理上传文档中的最多 110k 个 Token。如果你上传的一个或多个文档合计少于 110k 个 Token，则会纳入完整内容。
对于超过 110k 个 Token 的单个文档，只会从开头开始纳入前 110k 个 Token。其余内容只会发送到私有搜索索引。
如果上传了多个文档，且其合计超过 110k 个 Token，ChatGPT Enterprise 会使用两步流程来平衡文档呈现：
提取最多 55k 个 Token，并在上传的文档之间平均分配。
对于第一步中未完全呈现的文档，根据每个文档剩余的 Token 数按比例分配剩余的 55k 个 Token。
任何剩余的 Token 只会发送到私有搜索索引。
你可以将文本文档的文本复制到 OpenAI Tokenizer 中，以估算其中的 Token 数量。
多媒体 PDF 的上下文填充
当用户上传同时包含文本和图像的 PDF 时，视觉检索使 ChatGPT 能够在处理数字化提取文本的同时，原生处理这些图像。以下步骤补充了我们针对多媒体 PDF 的标准上下文处理流程：
图像提取和嵌入：图像会与其关联的数字文本一起被提取并嵌入。
智能缩放：图像会自动缩放，以在信息质量和可用上下文窗口的高效使用之间保持平衡。
当上传的 PDF 超过 110k 个 Token 限制时，图像和文本都会嵌入到私有搜索索引中。文本嵌入会引用相关图像，使 ChatGPT 能够根据用户查询检索相应的文本-图像对。随后会使用 ChatGPT 的原生多模态能力处理检索到的图像。
准确估算多媒体 PDF 的 Token 需求具有挑战性。测试表明，约 350 页混合文本和图像会完全用尽 110k 个 Token 的上下文窗口。
基于模型类型的搜索策略
GPT 系列和 o 系列模型都支持文件上传，并使用相同的上下文填充和搜索嵌入逻辑。所有模型都会对私有搜索索引执行混合搜索，结合关键词和语义方法。在混合搜索中，模型会根据用户的提示生成搜索短语，私有搜索索引则据此检索相关文本和图像。
不过，这些模型在搜索超出上下文窗口的大型文档时方式有所不同：
GPT 系列模型
每个提示词仅进行一次搜索：GPT 系列模型针对每个用户提示词执行一次搜索。
适用场景：非常适合回答大量文档中包含的简单明确的问题。
查询示例：
“提前退休方面的人力资源政策是什么？”
“process_order 函数有什么作用？”
o 系列模型
每个提示词可进行多次搜索：针对每个用户提示词，可执行多次搜索（通常为 2～3 次），每次使用不同的搜索短语。搜索按顺序执行，模型可根据之前搜索到的信息调整搜索方法。
适用场景：更适合回答需要在大量文档中进行多次定向搜索的复杂问题。
查询示例：
“提前退休、育儿假和海外调动方面的人力资源政策是什么？”
“说明 process_order 函数的作用，列出该函数调用的所有方法，并简要介绍每个被调用的方法。”
尽管 o 系列模型有这些优势，但当一项查询需要三次以上的搜索时，仍可能难以应对。
改进文件搜索结果的提示
对于需要多次搜索的复杂问题，尝试使用 o 系列模型。
请记住，响应可能会因你上传文档的类型、数量和大小而异。
通常，加载更少且更聚焦的文档会带来更高的准确性。
将包含多个问题的主题拆分为单个问题：
如果你需要了解每个州的人力资源政策，请逐个询问。
如果你需要总结许多文档，请一次请求总结一个文档。如果该文档有数百页，请考虑将其拆分为更小的部分。
如果你提供的是多个摘要而不是完整文档，可以让 ChatGPT Enterprise 编写“摘要的摘要”。
如果你有一个 RFP 的 CSV（每一行都是一个不同的问题），请逐个提出这些问题，而不是只加载 CSV 并请求单个响应。
寻找审核模型响应的方法。示例 GPT 指令如下：
# 上下文
你是理解文档的专家。用户将附加一个文档并提出问题。他们需要能够将你的回答关联回你从文本中获取答案的确切位置。
# 指令
1. 根据用户附加的文档回答用户的问题，并使用以下提供的确切格式
# 格式
- 问题：{ 重复用户的问题 }
- 回答：{ 提供对用户问题的回答 }
来源：
- - 章节编号：{ 提供你从中提取答案的章节编号 }
- - 章节标题：{ 提供你从中提取答案的章节标题 }
- - 原文：{ 提供你从中提取答案的确切文本 }
# 规则
- 回答要清晰简洁
- 仅提供文档中给出的信息
- 如果你无法在文档中找到答案，请只回复“未找到信息。”