{" • {0} chars (~{1} tokens)":" • {0} символов (~{1} токенов)","Avg Chunk Length":"Средняя длина фрагмента","Avg Tokens / Chunk":"Среднее число токенов / фрагмент","chars":"символов","chars (~":"символов (~","Chunk #":"Фрагмент №","Chunking Strategies":"Стратегии разбиения на фрагменты","Copied! ✓":"Скопировано! ✓","Copy Chunk":"Копировать фрагмент","Document Length":"Длина документа","Fixed Character Length":"Фиксированная длина в символах","Generated Document Chunks & Overlaps":"Созданные фрагменты документа и перекрытия","Introduction to Retrieval-Augmented Generation (RAG)":"Введение в генерацию с дополнением поиска (RAG)","Markdown Headers (# ## ###)":"Заголовки Markdown (# ## ###)","Once chunks are generated, embedding models convert text chunks into dense vector representations. These vectors are indexed in vector databases like Pinecone, Qdrant, or PGVector for fast cosine similarity search.":"После создания фрагментов модели эмбеддингов преобразуют их в плотные векторные представления. Эти векторы индексируются в векторных базах данных, таких как Pinecone, Qdrant или PGVector, для быстрого поиска по косинусному сходству.","Overlap Window":"Окно перекрытия","Paragraph Boundaries (\\n\\n)":"Границы абзацев (\\n\\n)","Paste article, documentation, or code here...":"Вставьте сюда статью, документацию или код...","Previous Chunk Overlap:":"Перекрытие с предыдущим фрагментом:","Proper text chunking is critical for RAG accuracy. Fixed-size chunking splits documents into uniform character intervals. Sentence-based chunking preserves grammatical units. Markdown chunking splits along section headers.":"Правильное разбиение текста на фрагменты критически важно для точности RAG. Разбиение на фрагменты фиксированного размера делит документы на интервалы одинаковой длины в символах. Разбиение по предложениям сохраняет грамматические единицы. Разбиение Markdown выполняется по заголовкам разделов.","Range: [":"Диапазон: [","Retrieval-Augmented Generation enhances Large Language Models by grounding outputs on external knowledge bases. Instead of relying solely on parametric memory learned during training, RAG models fetch relevant text passages at inference time.":"Генерация с дополнением поиска расширяет возможности больших языковых моделей, основывая ответы на внешних базах знаний. Вместо того чтобы полагаться только на параметрическую память, полученную во время обучения, модели RAG извлекают релевантные фрагменты текста во время вывода.","Sentence Boundaries (. ! ?)":"Границы предложений (. ! ?)","Source Document Text":"Текст исходного документа","Splitting Strategy":"Стратегия разбиения","Target Chunk Size":"Целевой размер фрагмента","tokens":"токенов","tokens)":"токенов)","Total Chunks":"Всего фрагментов","Vector Indexing":"Векторная индексация"}