Prueba de estrategias de fragmentación de documentos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué dice Amazon Bedrock que hace su enfoque de fragmentación predeterminado?
   • Divide el texto en fragmentos de aproximadamente 300 tokens y al mismo tiempo conserva los límites completos de las oraciones.
   • Divide cada documento en un token
   • Utiliza un fragmento para cada base de conocimientos, independientemente del tamaño
   • Agrupa documentos por título alfabético
2. ¿Por qué puede importar el tamaño del búfer en la fragmentación semántica?
   • Cambia la ortografía del documento fuente.
   • Determina cuántas oraciones vecinas se incluyen al crear incrustaciones.
   • Identifica al hablante correcto.
   • Especifica el vocabulario de salida del modelo.
3. ¿Cuál es el principal equilibrio entre porciones muy pequeñas y muy grandes?
   • Los trozos pequeños siempre tardan más en incrustarse
   • Nunca se podrán recuperar trozos grandes
   • Los fragmentos pequeños son precisos pero pierden contexto; fragmentos grandes mantienen el contexto pero diluyen la relevancia
   • No hay ninguna diferencia significativa
4. En Amazon Bedrock, ¿qué puede preservar su fragmento de contenido analizado como límites lógicos?
   • Solo personajes individuales
   • Colores de imagen y cuadros de recorte.
   • The prompt’s output format
   • Pages or sections
5. How does Amazon Bedrock describe hierarchical chunking at retrieval time?
   • It retrieves child chunks and can replace them with broader parent chunks
   • It discards parent text and never returns broader context
   • It merges all documents into one vector
   • It converts every chunk to an image
6. How does Amazon Bedrock’s semantic chunking propose boundaries between sentences?
   • By sorting sentences alphabetically
   • Using sentence-distance thresholds to identify less-similar adjacent sentences
   • By splitting every document at the same character count
   • By detecting speaker identity
7. What did a 2026 chunking study find about overlap in its tested Natural Questions setup?
   • It always doubled answer accuracy
   • It eliminated all retrieval errors
   • It increased indexing cost without a measurable answer-quality benefit
   • It reduced indexing cost to zero
8. What happened when retrieved context grew beyond about 2,500 tokens in that study?
   • Accuracy rose without limit
   • All questions became exact matches
   • The retriever stopped using embeddings
   • Answer quality showed a context cliff