dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
RAG Toți termenii

Ce este Tehnica Late Chunking: Calcularea Embedding-urilor După Atenția Globală?

Strategii de Indexare și Căutare Jina AI Late Chunking Q&A AI / Distribuie cod

Împărțirea documentului în chunk-uri după procesarea lui completă în modelul de embedding pentru păstrarea contextului global.

Denumire completă

embed_tokens = model.encode(whole_doc) -> chunk_vectors = mean_pool(embed_tokens[start:end])

În chunking-ul clasic, bucățile de text sunt tăiate înainte de embedding, pierzând contextul frazelor anterioare. Late Chunking trece tot documentul prin model, apoi extrage vectorii pe intervale.

Avantaj arhitectural

- Fiecare chunk 'știe' despre ce s-a discutat în restul paginii datorită mecanismului de atenție bidirectional.
- Pronumele (el, aceasta, compania menționată) sunt deja ancorate în entitățile nominale din paragraful 1.

Revoluționează indexarea documentelor tehnice și rapoartelor juridice.

Învață AI • Comunitate & Q&A

Întrebări & Discuții: Tehnica Late Chunking: Calcularea Embedding-urilor După Atenția Globală

Ai o întrebare despre Tehnica Late Chunking: Calcularea Embedding-urilor După Atenția Globală sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.