Cách tải tài liệu lên AI trong Whizi

Các loại file được hỗ trợ, và điều thực sự xảy ra với từng loại

Đính kèm file bằng cách kéo vào ô soạn tin hoặc bấm biểu tượng kẹp giấy, rồi đặt câu hỏi. Những gì model nhận được khác nhau tùy loại file, và biết cái nào là cái nào giải thích được phần lớn các kết quả gây bất ngờ.

Loại	Đuôi file	Model xử lý gì
PDF văn bản	.pdf	Văn bản trích xuất, theo thứ tự đọc, kể cả bảng dưới dạng văn bản
PDF quét	.pdf	Bản chép lại từng trang từ một lượt xử lý hình ảnh phía máy chủ
Tài liệu Word	.docx	Văn bản tài liệu, trích xuất ngay trong trình duyệt
Bảng tính	.xlsx, .csv	Giá trị ô dưới dạng văn bản, không phải công thức đang chạy
Hình ảnh	.png, .jpg, .jpeg	Chính hình ảnh đó, được đọc bởi model đa phương thức
Mã nguồn và văn bản thuần	.py, .js, .ts, .go, .md, .txt và tương tự	Nội dung file nguyên văn

Có hai hệ quả đáng ghi nhớ. Thứ nhất, bảng tính đến dưới dạng giá trị chứ không phải một sổ tính đang hoạt động, nên model đọc được kết quả công thức của bạn nhưng không thể chạy lại công thức đó. Thứ hai, PDF quét đã qua một lượt chép lại bằng hình ảnh chứ không phải trích xuất văn bản thuần, và một phông chữ lạ, một ghi chú viết tay, hoặc bản quét độ phân giải thấp vẫn có thể khiến một ký tự trong số bị đọc sai. Hãy đối chiếu số liệu từ tài liệu quét với bản gốc. Một lưu ý về hình ảnh: ô soạn tin từ chối file GIF và yêu cầu bạn dùng PNG hoặc JPEG thay thế.

Chuẩn bị file trước khi hỏi bất cứ điều gì

Năm phút ở đây tiết kiệm được cả một cuộc trò chuyện rối rắm về sau.

• Đặt tên file đúng với nội dung của nó. Model nhìn thấy tên file, và 2025-q3-vendor-contract-acme.pdf cho nó ngữ cảnh hữu ích hơn hẳn document(3).pdf. Điều này càng quan trọng khi có nhiều file trong cùng một luồng.
• Gửi bản gốc, không phải bản trình bày. Với bảng tính đặc biệt, phiên bản có ô gộp, tổng phụ nằm trong dữ liệu, và ghi chú ở lề gây ra nhiều lỗi hơn hẳn một file trơn kích thước lớn.
• Chia nhỏ tài liệu khổng lồ theo mục đích, không theo dung lượng. Nếu bạn chỉ cần phần phương pháp và kết quả, tải riêng những phần đó tốt hơn tải cả 400 trang rồi hy vọng sự chú ý rơi đúng chỗ.
• Xóa dữ liệu cá nhân bạn không cần. Tên, email và mã định danh hiếm khi cần thiết cho phân tích, và xóa chúng đi nhanh hơn nhiều so với việc phải cân nhắc xem mình có được phép tải lên hay không.
• Kiểm tra xem PDF có thực sự là văn bản không. Thử chọn văn bản trong trình đọc PDF của bạn. Nếu không chọn được, đó là bản quét, Whizi sẽ chép lại bằng lượt xử lý hình ảnh, và số liệu cần được kiểm tra lại với bản gốc.

Chọn model phù hợp với file

Lựa chọn này quan trọng hơn cả câu lệnh khi làm việc với tài liệu.

• Gemini cho bất cứ thứ gì dài. Các model Gemini trong Whizi mang cửa sổ ngữ cảnh 1.000.000 token, nghĩa là một báo cáo 200 trang, cả một bộ hợp đồng, hay cả chục bài nghiên cứu có thể cùng hiện diện một lúc thay vì bị xử lý từng phần. Các câu hỏi xuyên tài liệu chỉ hoạt động đúng khi mọi thứ thực sự nằm trong ngữ cảnh.
• Claude cho sắc thái tinh tế. Ngôn ngữ pháp lý, tài liệu chính sách, bất cứ thứ gì mà ý nghĩa phụ thuộc vào điều kiện và cách diễn đạt dè dặt. Đây cũng là model giỏi nhất trong việc chỉ ra tài liệu không nói gì, thường lại chính là câu hỏi thật sự.
• GPT cho trích xuất. Hóa đơn, biểu mẫu, dữ liệu có cấu trúc, bất cứ thứ gì bạn muốn trả về dưới dạng bảng chặt chẽ hoặc JSON với tên trường nhất quán qua hàng trăm dòng.
• Bất kỳ model đa phương thức nào cho hình ảnh, biểu đồ, ảnh chụp màn hình và sơ đồ. Hãy yêu cầu nó mô tả những gì nó thấy trước khi yêu cầu diễn giải, cách này bắt được lỗi đọc sai từ sớm.

Bạn có thể đổi model giữa luồng trò chuyện mà không cần tải lại file, đó chính là điểm hay của việc làm tất cả trong một không gian làm việc. Đọc bằng Gemini, trích xuất bằng GPT, và để Claude viết bản tóm tắt, tất cả trên cùng một file đính kèm. Xem chuyển đổi model giữa cuộc trò chuyện.

Làm việc với nhiều tài liệu cùng lúc

Câu hỏi về một tài liệu đơn lẻ đã hữu ích. Câu hỏi về nhiều tài liệu mới là nơi việc này ngừng là một tiện ích và bắt đầu là một khả năng bạn chưa từng có trước đây.

Câu lệnh: so sánh

Hãy so sánh contract-a.pdf và contract-b.pdf. Trả về một bảng liệt kê mọi điều khoản khác nhau: điều khoản, A nói gì, B nói gì, và bên nào có lợi hơn cho chúng ta và vì sao. Bỏ qua khác biệt về định dạng và cách đánh số. Liệt kê riêng các điều khoản có ở tài liệu này nhưng không có ở tài liệu kia.

Câu lệnh: hợp nhất

Trên tất cả các file đính kèm, hãy dựng một bảng duy nhất trả lời [câu hỏi]. Mỗi dòng là một tài liệu, với tên tài liệu ở cột đầu tiên. Nơi nào tài liệu không đề cập, hãy ghi KHÔNG ĐỀ CẬP. Không gộp các tài liệu dùng định nghĩa khác nhau mà không gắn cờ cảnh báo.

Câu lệnh: tìm mâu thuẫn

Những tài liệu này mâu thuẫn nhau ở đâu? Trích dẫn cả hai đoạn văn cạnh nhau và nêu tên file mỗi đoạn đến từ đâu. Phân biệt mâu thuẫn thực sự với khác biệt về phạm vi hoặc thời điểm.

Luôn nhắc tên file trong câu lệnh khi có nhiều hơn một file. "Trong hợp đồng nhà cung cấp, thời hạn báo trước là bao lâu?" là rõ ràng; "thời hạn báo trước là bao lâu?" buộc model phải tự chọn, và nó sẽ không nói cho bạn biết nó đã chọn tài liệu nào.

Khi câu trả lời có vẻ sai

Một chuỗi chẩn đoán ngắn giải quyết được phần lớn vấn đề.

Model nói không thấy file. Xác nhận file đính kèm đã thực sự tải lên, rồi nhắc đến nó rõ ràng: "Trong report.pdf đính kèm". Với hình ảnh đặc biệt, nói "hãy xem hình ảnh đính kèm" đảm bảo model dùng đường xử lý đa phương thức thay vì chỉ trả lời từ văn bản câu hỏi của bạn.

Câu trả lời nói về nhầm tài liệu. Nhắc tên file trong mỗi câu hỏi khi luồng trò chuyện có nhiều file.

Số liệu sai một cách khó nhận ra trên tài liệu quét. Đây là lỗi ở khâu chép lại bản quét, không phải ở khâu suy luận. Hãy yêu cầu model trích dẫn nguyên văn dòng xung quanh để bạn thấy được nó đã đọc gì, rồi kiểm tra lại bản gốc.

Model bỏ sót thứ bạn biết chắc có trong tài liệu. Hãy hỏi một câu định vị trước: Trích dẫn đoạn văn nói về [chủ đề] và cho biết số trang hoặc mục. Nếu không tìm thấy, vấn đề nằm ở khâu trích xuất chứ không phải suy luận. Hãy thử model khác hoặc tải riêng các trang liên quan.

Model đang tóm tắt thay vì trả lời. Hãy yêu cầu bằng chứng thay vì kết luận: Trích dẫn nguyên văn phần chứng minh cho câu trả lời của bạn. Cách này cũng bắt được trường hợp câu trả lời được suy ra từ kiến thức chung thay vì từ tài liệu của bạn, đây là lỗi quan trọng nhất cần phát hiện.

Bước kiểm tra cuối cùng đó đáng được nhấn mạnh. Một model được hỏi về một loại hợp đồng quen thuộc, một quy định phổ biến, hay một bài nghiên cứu nổi tiếng có thể trả lời nghe rất hợp lý từ dữ liệu huấn luyện mà không cần tham khảo file của bạn chút nào. Yêu cầu trích dẫn buộc câu trả lời phải bám vào chính tài liệu đang có trước mặt nó.

Quyền riêng tư và điều cần cân nhắc trước khi tải lên

Các file đính kèm đã tải lên được cấu hình để hết hạn sau tối đa 30 ngày, và bạn có thể tự xóa một file hoặc cả cuộc trò chuyện sớm hơn bất cứ lúc nào. Whizi không dùng câu lệnh, file, cuộc trò chuyện, bản chép giọng nói, hay nội dung tạo ra của bạn để huấn luyện các model AI thuộc sở hữu của Whizi, và không bán những nội dung đó làm dữ liệu huấn luyện. Nhà cung cấp vận hành model bạn chọn nhận được những gì cần thiết để trả lời và có thể lưu cache tạm thời theo chính sách riêng của họ.

Điều vẫn thuộc quyền phán đoán của bạn là liệu tài liệu này có phải loại bạn được phép xử lý với một dịch vụ bên thứ ba hay không. Các nhóm đáng dừng lại suy nghĩ: dữ liệu cá nhân thuộc về người khác, bất cứ thứ gì nằm trong một điều khoản bảo mật cụ thể, thông tin trọng yếu chưa công khai, và dữ liệu được quản lý như hồ sơ y tế hay tài chính chịu các quy tắc xử lý riêng.

Con đường thực tế ở giữa cho phần lớn mọi người là biên tập lược bớt thay vì không tải lên. Thay tên bằng vai trò, đánh chỉ số con số thay vì để tuyệt đối, và loại bỏ mã định danh sẽ giữ lại mọi thứ phân tích cần trong khi loại bỏ phần lớn những gì khiến một tài liệu trở nên nhạy cảm.