ChatGPT Enterprise 現在支援讀取並理解提示詞中所含 PDF 檔案內嵌的視覺內容（圖片、圖表、示意圖等）。使用者可以上傳 PDF，而 ChatGPT 能解讀該檔案中的文字以及任何視覺元素。
詳細資訊請參閱PDF 視覺擷取常見問答。
ChatGPT Enterprise 提供多種檔案上傳方式：
本指南將說明 ChatGPT Enterprise 的各項功能如何根據檔案類型、數量及大小處理檔案，並探討如何依據檔案需求調整策略，以改善輸出結果。
摘要
ChatGPT Enterprise 處理不同檔案類型的方式差異很大：從 PDF、簡報和 Word 檔案等文字文件擷取文字；使用 Python 程式碼分析試算表中的結構化資料；以及透過 GPT-Vision 描述圖像檔案。若要取得預期結果，關鍵在於瞭解每種檔案類型會觸發哪一種工作流程。
對於文字型文件，ChatGPT Enterprise 會盡可能將相關文字直接放在提示詞旁，並透過搜尋系統存取其他資訊。這種方式很適合回答特定問題。不過，遇到摘要極大型文件或比較多個大型檔案等複雜工作時，這種方式可能難以應付。請繼續閱讀，瞭解改善結果的策略。
依類型處理檔案
ChatGPT Enterprise 主要以三種方式處理檔案：文字擷取、程式碼分析和圖像解讀。ChatGPT Enterprise 採用的工作流程取決於檔案類型。
| 文字型檢索 | 程式碼解譯器 | 圖像處理 | 視覺檢索 | |
|---|---|---|---|---|
| 檔案類型範例 | pptx、docx、txt、md、json、xml、pdf* * 以 GPT 知識 或 專案檔案 形式上傳的 PDF | csv、xls、xlsx* *注意：程式碼解譯器可處理任何檔案類型，但 ChatGPT Enterprise 最常預設使用 CI 處理試算表 | jpg、png | pdf* * 使用者提示詞中包含的 PDF |
| 行為 | 從檔案擷取文字：部分文字會直接貼入（「塞入」）上下文視窗，其他文字則儲存以供搜尋 | 程式碼解譯器會將檔案交由 Python 處理 | 圖像會由多模態模型直接解讀，但仍受 已知限制 影響。 | 結合文字檢索與圖像處理。系統會以數位方式擷取文字，並由多模態模型直接解讀視覺內容。 |
對於純文字檔案、圖像檔案或結構清楚的資料檔案（例如 Excel 交易資料表），上述分類代表可達到的最佳處理方式。
但也有一些不太明確的灰色地帶，例如：
系統不會處理 PDF 以外其他檔案中嵌入的圖像。若要納入這些圖像，請先將檔案轉換成 PDF 再上傳。
ChatGPT Enterprise 一律會使用程式碼解譯器與試算表互動，即使文件包含大量文字也一樣。例如，如果您要求 ChatGPT Enterprise 翻譯含有 10 列文字的 CSV 檔案，它會嘗試使用 Python 程式庫翻譯檔案，其準確度會低於讓模型直接產生翻譯。為減少這類問題，請嘗試將試算表匯出為文字型格式，例如 PDF。
同樣地，如果您上傳 JSON 檔案中的結構化交易資料表，ChatGPT Enterprise 會將此檔案解讀為純文字。如果您想分析 JSON 檔案中的資料，請在提示詞中指示模型使用程式碼解譯器。
依大小處理檔案
ChatGPT Enterprise 使用的模型具備最大 128k Token 的上下文視窗（約 200 頁文字）。不過，並非所有 Token 都會用於納入已上傳檔案中的文字。「填入」的 Token 數量會依使用類型而異。
ChatGPT Enterprise 會「填入」一定量的文字，其餘文字會傳送至私人搜尋索引（一種「向量儲存區」，也就是專為有效儲存和擷取大量文字而設計的資料庫）。當你提出問題時，ChatGPT Enterprise 會帶入已納入的文字，以及從私人搜尋索引擷取的相關片段。
如果你上傳單一文件，ChatGPT Enterprise 會從開頭開始納入文字，直到達到其限制。如果你上傳多個文件，ChatGPT Enterprise 會納入每份文件的部分或全部內容。文件中的所有文字也會傳送至私人搜尋索引。
文字文件的上下文填充
此功能正在積極開發中。因此，以下詳細資訊可能隨時變更，恕不另行通知。
ChatGPT Enterprise 最多可在上下文視窗中處理來自已上傳文件的 110k 個 Token。如果你上傳的一份或多份文件合計少於 110k 個 Token，系統會納入完整內容。
若單一文件超過 110k 個 Token，則只會從開頭開始納入前 110k 個 Token。其餘內容只會傳送至私人搜尋索引。
如果上傳多份文件且合計超過 110k 個 Token，ChatGPT Enterprise 會使用兩步驟流程來平衡各文件的呈現：
擷取最多 55k 個 Token，並在已上傳文件之間平均分配。
對於第一步未完整呈現的文件，依各文件剩餘 Token 數按比例分配其餘 55k 個 Token。
任何剩餘 Token 都只會傳送至私人搜尋索引。
你可以將文件文字複製到 OpenAI Tokenizer，估算文字文件中的 Token 數量。
多媒體 PDF 的上下文填充
當使用者上傳同時包含文字和圖片的 PDF 時，視覺擷取可讓 ChatGPT 在處理數位擷取文字的同時，原生處理這些圖片。下列步驟是我們針對多媒體 PDF 標準上下文處理程序的補充：
圖片擷取與嵌入：圖片會與其相關數位文字一併擷取並嵌入。
智慧縮放：圖片會自動縮放，以在資訊品質與可用上下文視窗的高效使用之間維持平衡。
當已上傳的 PDF 超過 110k 個 Token 限制時，圖片和文字都會嵌入私人搜尋索引。文字嵌入會參照相關圖片，讓 ChatGPT 能根據使用者查詢擷取適當的文字與圖片配對。接著，擷取到的圖片會使用 ChatGPT 的原生多模態能力進行處理。
準確估算多媒體 PDF 的 Token 需求並不容易。測試顯示，約 350 頁混合文字與圖片的內容會完全用滿 110k 個 Token 的上下文視窗。
依模型類型而定的搜尋策略
GPT 系列和 o 系列模型皆支援檔案上傳，並使用相同的上下文填充和搜尋嵌入邏輯。所有模型都會針對私人搜尋索引執行混合搜尋，結合關鍵字和語意方法。在混合搜尋中，模型會根據使用者的提示詞產生搜尋詞句，而私人搜尋索引會據此擷取相關文字和圖片。
不過，這些模型在搜尋超出上下文視窗的大型文件時，做法有所不同：
GPT 系列模型
每個提示詞僅搜尋一次：GPT 系列模型會針對每個使用者提示詞執行一次搜尋。
適用情境：最適合回答大量文件中可直接找到答案的明確問題。
查詢範例：
「提前退休有哪些人資政策？」
「process_order 函式有什麼作用？」
o 系列模型
每個提示詞可執行多次搜尋：每個使用者提示詞可執行多次搜尋（通常為 2 至 3 次），每次使用不同的搜尋詞組。搜尋會依序執行，模型可根據先前搜尋取得的資訊調整做法。
適用情境：較適合需要在大量文件中進行多次精準搜尋的複雜問題。
查詢範例：
「提前退休、育嬰假和海外調職有哪些人資政策？」
「說明 process_order 函式的作用，列出此函式叫用的所有方法，並簡要說明每個方法。」
儘管 o 系列模型有這些優勢，但遇到需要搜尋三次以上的查詢時，仍可能難以處理。
改善檔案搜尋結果的提示
對於需要多次搜尋的複雜問題，請嘗試使用 o 系列模型。
請記住，回覆可能會依你上傳文件的類型、數量和大小而有所不同。
一般來說，載入較少且重點明確的文件會帶來更高的準確度。
將多問題主題轉換為單一問題：
如果你需要了解每個州的人資政策，請逐一提問。
如果你需要摘要多份文件，請一次要求摘要一份文件。如果該文件有數百頁，請考慮將其拆分成較小的部分。
如果你提供多份摘要而非整份文件，可以要求 ChatGPT Enterprise 撰寫「摘要的摘要」。
如果你有一個 RFP 的 CSV（每一行都是不同問題），請逐一提問，而不是只載入 CSV 並要求單一回覆。
找出稽核模型回覆的方法。GPT 指示範例如下：
# 背景
你是理解文件的專家。使用者將會附上一份文件並提出問題。他們需要能夠將你的答案連回你取得答案時所依據的確切文字位置。
# 指示
1. 根據使用者附上的文件回答問題，並使用下方提供的確切格式
# 格式
- 問題：{ repeat user's question }
- 答案：{ provide an answer to user's question }
來源：
- - 章節編號：{ provide section number where you pulled in the answer }
- - 章節標題：{ provide section title where you pulled in the answer }
- - 確切文字：{ provide the exact text where you pulled the answer from }
# 規則
- 回答應清楚且簡潔
- 只提供文件中提供的資訊
- 如果你無法在文件中找到答案，請直接回覆「找不到資訊。」