指南
为什么 ChatGPT 总是读错我 PDF 里的数字?
ChatGPT 读错 PDF 中的数字,是因为 PDF 存储的是按位置排布的文字和图像,而不是带有含义的数值表格:图表、扫描件或复杂版式中的数字可能被漏读、合并,或被对应到错误的期间、币种或行。解决办法是把数字以结构化文本的形式提供给 AI,并让它紧挨着标签和限定条件——最好是提供一份经保真核对的文本版文档,让所有 AI 都读取它,而不是反复从 PDF 中重新提取。
PDF 实际提供给 AI 的是什么
PDF 是一种打印格式。它告诉阅读器在页面的什么位置绘制每个字符、线条和图像,却不会说明“这个单元格是第三季度的欧元收入,未经审计”。读取文件的 AI 只能根据位置重建这些含义,而每一次重建都是一次猜测。
OpenAI 帮助中心指出,ChatGPT 可能无法从基于图像的表格、扫描文件或复杂的视觉版式中可靠地提取精确数值,并建议在需要精确数值时上传电子表格或文本文件。帮助中心还提到,读取 PDF 中的图表和图像(视觉检索)仅在特定场景下提供;在其他场景中只使用文本层。只存在于图表或图像中的数字,可能根本就不会被看到。
按文档类型划分的常见错误
| 文档 | 出现的问题 | 原因 |
|---|---|---|
| 年报或季报 | 把上一年的数字当作本年数字引用 | 多栏表格在提取过程中丢失了列标题 |
| 银行或账户对账单 | 借贷方颠倒,余额错位 | 金额按列排布,但没有明确标签 |
| 价目表或规格表 | 价格对应到了错误的产品或型号 | 行内容跨行换行;合并单元格打乱了行顺序 |
| 财务摘要 | 把预测数据当作实际数据报告 | 限定条件位于远离数字的脚注中 |
| 扫描版合同或发票 | 数字识别错误(8 和 3、1 和 7) | 文字来自 OCR,而不是文本层 |
| 篇幅长、图片多的报告 | 部分章节被忽略或只被笼统概括 | 大文件可能无法被完整分析 |
真正的问题在于单位、期间和限定条件
大多数“错误的数字”其实是数字没错、含义错了。“4.2”如果缺少“百万美元”“FY2025”和“未经审计”,就毫无意义。在 PDF 中,这些信息往往分散在表头、图注和脚注里,提取时保留了数字,却丢掉了上下文。
- 数量级:千还是百万,只在表头中注明一次(“单位:千美元”)。
- 期间:表格被拍平后,“2025 / 2024”这样的列标题就消失了。
- 币种:列顶部只有一个货币符号,数值旁边没有。
- 限定条件:预测、备考、未经审计、“最高”、剔除一次性项目——通常都以小字标注。
- 定义:收入、GMV 还是订单额,总额还是净额。
您可以自己在 PDF 中修正的地方
- 从源应用程序导出,让文字保持可选中;避免扫描件和“打印为图像”。
- 在每个列标题中写明单位和期间,而不只是写在页面标题里。
- 用一句话完整陈述关键数字及其上下文:“FY2025 收入:420 万美元,未经审计。”
- 为每个图表添加数据标签,或在下方附一个小型数值表。
- 避免合并单元格和跨页断开的表格。
- 如果精度很重要,请按 OpenAI 的建议,在 PDF 旁边同时提供电子表格或 CSV。
- 向 ChatGPT 提问时,指明具体页面或章节,而不是整个文件;OpenAI 建议针对具体章节提问或拆分大文件。
为什么只优化您自己的提示词还不够
您可以自己核对 ChatGPT 的回答,却无法核对读者得到的回答:投资人、客户的采购团队或监管机构都会把 PDF 上传到各自的助手里,每次都会重新提取数字,结果每次都不一样。即使您发布了更正,过时的副本仍会继续流传。
长久的解决办法是:在一个永久地址上提供一份规范的文本版文档,让每个 AI 都读取它,而不是根据版式去猜测。
The Papers 如何解决这个问题
The Papers 会把 PDF(或 PowerPoint、Excel、Word)转化为位于永久 URL 的经保真核对 AI 版本:一个网页,外加 Markdown 和 JSON。发布前,每个数字、币种、日期和期间都会核对是否与源文件完全一致,且不得出现源文件中没有的数字。预测、未经审计或备考等限定条件会始终附着在数值上,每个数值都保留对其来源页的引用。
当源文件存在歧义时——比如某个数字是收入还是 GMV——问题会交由您来回答,您的答复将记录为“所有者确认”。文档会获得一个 AI 就绪度评分;要达到“已核对原文”状态,必须没有未解决的关键问题。更新文档时,链接保持不变。
常见问题
- 扫描版 PDF 比导出的 PDF 更差吗?
- 通常是的。扫描件没有文本层,数值来自 OCR,而 OpenAI 指出,扫描文件和基于图像的表格可能无法被可靠提取。条件允许时,请从原始应用程序导出。
- 换一个更好的模型能解决这个问题吗?
- 只能部分解决。更好的模型能更好地读懂版式,但 PDF 仍然不会说明某个数字属于哪个期间、币种或限定条件。结构化文本能为所有模型消除这种猜测。
- 我是不是直接发电子表格就行了?
- 如果是原始数据,可以——OpenAI 建议在需要精确数值时使用电子表格或文本文件。但读者还需要文字叙述,只发电子表格就会丢失这部分内容。经保真核对 AI 版本两者兼顾。
- The Papers 会检查我的数字是否正确吗?
- 不会。它检查的是 AI 版本是否忠实于您的源文件——数字、期间和限定条件是否相同。它并不证明内容本身属实。