Вікторина, пов’язана з посібником · Середній Рівень

Тест зі стратегій фрагментації документів

Перегляньте межі фрагментів, перекриття, семантичне та структурне поділ, а також те, як емпіричні результати можуть відрізнятися залежно від набору даних. Порівняйте конфігурації на корпусі.

Пов'язані напрямні шляхиСтратегії фрагментації документів
Питання 1 з 8

What does Amazon Bedrock say its default chunking approach does?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. What does Amazon Bedrock say its default chunking approach does?
    • Splits text into roughly 300-token chunks while preserving complete sentence boundaries
    • Splits every document into one token
    • Uses one chunk for every knowledge base regardless of size
    • Groups documents by alphabetical title
  2. Why can the buffer size matter in semantic chunking?
    • It changes the source document’s spelling
    • It determines how many neighboring sentences are included when creating embeddings
    • It identifies the correct speaker
    • It specifies the model’s output vocabulary
  3. Який основний компроміс між дуже маленькими та дуже великими шматками?
    • Маленькі фрагменти завжди вбудовуються повільніше
    • Великі шматки ніколи не можна отримати
    • Маленькі фрагменти є точними, але втрачають контекст; великі фрагменти зберігають контекст, але зменшують релевантність
    • Немає істотної різниці
  4. In Amazon Bedrock, what may its parsed-content chunker preserve as logical boundaries?
    • Only individual characters
    • Image colors and crop boxes
    • 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