Hur du chattar med en PDF online i Whizi

Det korta svaret

Dra PDF:en till meddelanderutan eller klicka på gemikonen för att bifoga den, och ställ sedan din fråga med vanliga ord. Alla modeller på ditt paket kan läsa den, och du kan byta modell mot samma fil utan att ladda upp den igen.

Gör en sak innan du litar på ett svar: be modellen citera det avsnitt den använde. Verktyg som söker i en fil istället för att läsa den i sin helhet hittar avsnitt utifrån betydelse, och vad är embeddings inom AI förklarar hur. Ett självsäkert svar hämtat från träningsdata istället för från din fil är det fel som kostar folk pengar, och en lokaliseringsfråga avslöjar det på cirka tio sekunder. Resten av den här sidan handlar om hur du gör det på bästa sätt.

Bekräfta först att den läser ditt dokument

Det farligaste felet vid dokumentchatt är inte ett felaktigt svar, det är ett självsäkert svar hämtat från träningsdata istället för från din fil. Det händer oftast med dokument som liknar något vanligt: ett standardhyresavtal, en välkänd förordning, en flitigt diskuterad artikel. Modellen känner genren så väl att den kan producera ett rimligt svar utan att konsultera din specifika text, och ingenting i svaret signalerar att det skedde.

En vana löser detta. Innan du ställer din riktiga fråga, ställ en lokaliseringsfråga.

Citera avsnittet i det bifogade dokumentet som handlar om [ämne], och ange sidan eller avsnittet det finns i. Om det inte finns i dokumentet, säg det.

Om den returnerar ett verkligt citat läser den din fil. Om den producerar en generisk omskrivning eller inte kan hitta något du vet finns där har extraktionen misslyckats och varje efterföljande svar är tvivelaktigt. Det tar tio sekunder och det är skillnaden mellan ett verktyg och en risk.

Ta med vanan in i de riktiga frågorna också: Citera den exakta text som stöder ditt svar bör finnas i varje prompt vars svar kommer att användas som underlag.

Välja modell för dokumentet

Dokument	Modell	Varför
Rapporter på 100+ sidor, arkivhandlingar, hela avtalspaket	Gemini	Ett kontextfönster på 1 000 000 token, så dokumentet finns verkligen med istället för att styckas upp
Avtal, policyer, allt där formuleringar spelar roll	Claude	Bäst på nyanser och på att säga vad ett dokument inte säger
Fakturor, formulär, korta strukturerade filer	GPT	Snabb, och mest pålitlig vid strikt extraktion till tabeller eller JSON
Artiklar med figurer, skannade sidor, diagram	Valfri multimodal modell	Läser sidan som en bild där textextraktion inte räcker till

Poängen med kontextfönstret är värd att förklara. När ett dokument överstiger vad en modell kan hålla måste det behandlas i delar, och frågor som kräver hela dokumentet samtidigt (motsäger något här paragraf 14, är det här begreppet definierat någonstans, vilket av dessa tre avsnitt är inkonsekvent) blir opålitliga. Det är den specifika anledningen att välja modellen med stort kontextfönster för långa filer istället för en allmän preferens.

Du kan byta modell utan att ladda upp igen, så läs med en och extrahera med en annan mot samma fil. Se byta modell mitt i en konversation.

Prompter per dokumenttyp

Avtal och kontrakt

Extrahera från det bifogade avtalet till en tabell: löptid och förlängning, uppsägningstid, betalningsvillkor, ansvarsbegränsning, skadeersättningar, tillämplig lag, överlåtelse och alla klausuler som gäller efter avtalets upphörande. Ange för varje punkt klausulnumret och citera den avgörande satsen. Lista sedan separat de skyldigheter som ligger på oss snarare än på dem.

Följ upp med frågan som faktiskt spelar roll: Vad i det här avtalet är ovanligt jämfört med standardvillkor för den här typen av kontrakt, och vad saknas märkbart? Det som saknas är oftast där risken finns, och det är något en sökning på nyckelord aldrig kan hitta.

Forskningsartiklar

Från den bifogade artikeln, returnera: forskningsfrågan, studiens utformning, urval och population, det primära utfallet, huvudresultatet med dess effektstorlek, de angivna begränsningarna och finansieringskällan. Berätta sedan vilka tre påståenden i artikeln som skulle behöva verifieras oberoende innan jag citerar dem.

Långa rapporter och arkivhandlingar

Sammanfatta den bifogade rapporten i 10 punkter, ordnade efter betydelse snarare än dokumentordning. Lista sedan: de tre siffrorna en beslutsfattare skulle bry sig om med sidhänvisningar, allt rapporten framställer som fakta utan källa, och alla platser där sammanfattningen eller den inledande delen inte stämmer med detaljerna längre fram i dokumentet.

Den sista kontrollen hittar överraskande ofta verkliga problem. Sammanfattningar skrivs tidigt och redigeras mindre än de avsnitt de sammanfattar.

Jämföra två dokument

Jämför contract-a.pdf och contract-b.pdf klausul för klausul. Returnera en tabell över varje väsentlig skillnad: ämne, vad A säger, vad B säger och vilket som gynnar oss. Bortse från skillnader i formatering och numrering. Lista separat allt som finns i det ena men saknas i det andra.

Göra det till något du kan använda

Skriv om resultaten för en ledningsgrupp på 150 ord. Börja med beslutet som krävs. Ingen jargong som inte förklaras. Flagga allt jag bör verifiera innan detta skickas vidare.

Felsökning

"Jag kan inte se ett dokument." Bekräfta att filen har laddats upp helt, och referera sedan till den uttryckligen med namn i ditt meddelande. I väldigt långa trådar går det snabbare att bifoga filen på nytt eller starta en ny chatt med bara filen än att argumentera om det.

Skannad PDF, oläsbar eller saknad text. Dokumentet är en bild, så vanlig textextraktion har lite att läsa. Whizi upptäcker en bildtung PDF utifrån hur lite text sidorna ger och skickar den en gång genom en serverbaserad synanalys som returnerar en transkription per sida. Noggrannheten sjunker vid låg upplösning, ovanliga typsnitt, handskrift och täta tabeller. Eftersom en felläst siffra är osynlig i ett flytande svar bör du kontrollera varje siffra från ett skannat dokument mot originalsidan.

Tabeller blir fel. PDF-tabeller är notoriskt dåligt strukturerade under ytan. Be att tabellen återges ordagrant först, kontrollera den mot sidan och be först därefter om analys. Vid tungt tabellarbete är en multimodal modell som läser sidan som en bild ofta mer pålitlig än textextraktion.

Den missade något du vet finns där. Ställ lokaliseringsfrågan. Om modellen inte kan citera ett avsnitt du kan se är problemet extraktionen snarare än resonemanget. Prova en annan modell, eller ladda upp bara de relevanta sidorna.

Filen är för stor. Använd modellen med stort kontextfönster, eller dela upp efter syfte snarare än sidantal. Att ladda upp de tre avsnitt du faktiskt behöver slår att ladda upp 400 sidor och hoppas på det bästa.

Svaren blir vagare ju längre konversationen pågår. Långa trådar samlar kontext som konkurrerar med dokumentet. Starta en ny chatt med filen och en kort beskrivning av vad du behöver.

Verifiera innan du litar på det

Tre kontroller, i ordning efter vikt.

Kräv citat för allt som har betydelse. Ett citerat avsnitt går att kontrollera på några sekunder, en omskrivning gör inte det. Den här enda vanan eliminerar det mesta av risken i dokumentarbete.

Korskontrollera med en andra modell. Ställ samma fråga till en annan modell mot samma fil. Enighet är meningsfullt bevis, oenighet visar exakt var du ska titta. Whizis sida vid sida-jämförelse finns för detta.

Fråga vad den är osäker på. Vilket av dina svar ovan är du minst säker på, och vad i dokumentet är otydligt? Modeller är inte perfekta på självbedömning, men de otydligheter de lyfter fram är oftast äkta otydligheter i källan, vilket är nyttig information om dokumentet i sig.

Och den stående regeln för allt som har konsekvenser, det vill säga juridiskt, finansiellt, medicinskt eller regelmaterial: modellen hittar avsnittet, du gör bedömningen. Det är en läsassistent, inte en rådgivare, och ansvaret för ett beslut som fattas utifrån dess svar är helt och hållet ditt.