{" • {0} chars (~{1} tokens)":" • {0} znakova (~{1} tokena)","Avg Chunk Length":"Prosečna dužina segmenta","Avg Tokens / Chunk":"Prosečan broj tokena / segmentu","chars":"znakova","chars (~":"znakova (~","Chunk #":"Segment br.","Chunking Strategies":"Strategije segmentiranja","Copied! ✓":"Kopirano! ✓","Copy Chunk":"Kopiraj segment","Document Length":"Dužina dokumenta","Fixed Character Length":"Fiksna dužina u znakovima","Generated Document Chunks & Overlaps":"Generisani segmenti dokumenta i preklapanja","Introduction to Retrieval-Augmented Generation (RAG)":"Uvod u generisanje potpomognuto pretraživanjem (RAG)","Markdown Headers (# ## ###)":"Markdown naslovi (# ## ###)","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.":"Kada se segmenti generišu, modeli za ugrađivanje pretvaraju tekstualne segmente u guste vektorske reprezentacije. Ovi vektori se indeksiraju u vektorskim bazama podataka kao što su Pinecone, Qdrant ili PGVector radi brze pretrage po kosinusnoj sličnosti.","Overlap Window":"Prozor preklapanja","Paragraph Boundaries (\\n\\n)":"Granice pasusa (\\n\\n)","Paste article, documentation, or code here...":"Ovde nalepite članak, dokumentaciju ili kôd...","Previous Chunk Overlap:":"Preklapanje sa prethodnim segmentom:","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.":"Pravilno segmentiranje teksta ključno je za preciznost RAG-a. Segmentiranje fiksne veličine deli dokumente na jednake intervale po broju znakova. Segmentiranje na osnovu rečenica čuva gramatičke celine. Markdown segmentiranje deli tekst prema naslovima odeljaka.","Range: [":"Opseg: [","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.":"Generisanje potpomognuto pretraživanjem unapređuje velike jezičke modele tako što njihove izlaze zasniva na spoljnim bazama znanja. Umesto da se oslanjaju isključivo na parametrijsko pamćenje naučeno tokom obuke, RAG modeli u trenutku zaključivanja preuzimaju relevantne odlomke teksta.","Sentence Boundaries (. ! ?)":"Granice rečenica (. ! ?)","Source Document Text":"Tekst izvornog dokumenta","Splitting Strategy":"Strategija deljenja","Target Chunk Size":"Ciljna veličina segmenta","tokens":"tokena","tokens)":"tokena)","Total Chunks":"Ukupno segmenata","Vector Indexing":"Vektorsko indeksiranje"}