[{"data":1,"prerenderedAt":703},["ShallowReactive",2],{"blog-unstructured-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":23,"sources":27,"cover":46,"og":47,"expertise":48,"locales":49,"lang":52,"title":53,"description":54,"coverAlt":55,"metaTitle":56,"takeaways":57,"faq":63,"toc":76,"blocks":101,"others":448},"unstructured","2026-05-21",11,"rag",[9,10,11,12,13],"Document parsing","RAG ingestion","PDF extraction","Chunking","ETL",[15,16,17,18,19,20,21,22],"unstructured.io","unstructured library python","unstructured vs llamaparse","document parsing for rag","pdf partitioning hi_res","unstructured pricing","chunk by title","document ingestion pipeline",[24],{"name":25,"url":26},"Unstructured","https:\u002F\u002Funstructured.io\u002F",[28,31,34,37,40,43],{"title":29,"url":30},"Unstructured documentation: pipelines overview","https:\u002F\u002Fdocs.unstructured.io\u002Fwelcome",{"title":32,"url":33},"Unstructured documentation: transform quickstart","https:\u002F\u002Fdocs.unstructured.io\u002Fapi-reference\u002Ftransform\u002Fquickstart\u002Foverview",{"title":35,"url":36},"Unstructured pricing: free pages, rate per page and plans","https:\u002F\u002Funstructured.io\u002Fpricing",{"title":38,"url":39},"Unstructured benchmarks: 1,000+ enterprise pages against other parsers","https:\u002F\u002Funstructured.io\u002Fbenchmarks",{"title":41,"url":42},"Unstructured library on GitHub","https:\u002F\u002Fgithub.com\u002FUnstructured-IO\u002Funstructured",{"title":44,"url":45},"Unstructured partition endpoint container","https:\u002F\u002Fgithub.com\u002FUnstructured-IO\u002Funstructured-api","\u002Fimages\u002Fblog\u002Funstructured\u002Fcover.webp","\u002Fimages\u002Fblog\u002Funstructured\u002Fog.jpg","ai-engineer",[50,51,52],"en","de","hu","Unstructured ismertető: dokumentumok feldolgozása RAG-hez","Az Unstructured PDF-eket, Word-fájlokat és képeket típusszintű elemekké alakít RAG-hez: Apache-2.0 könyvtár és platform 0,015 dollár oldalanként az első 10 000 ingyenes oldal után.","Három különböző formájú lap lép gépkeretbe, egyforma kis négyzetek távoznak sínen.","Unstructured ismertető: parsing, chunking, ár · Balázs Csorba",[58,59,60,61,62],"Az Unstructured egy Apache-2.0 licencű Python-könyvtár, amely PDF-eket, Word-fájlokat és képeket cím, táblázat és lista típusú elemekké alakít, hostolt platformmal, csatlakozókkal és VLM stratégiával.","A platform 0,015 dollárt számol oldalanként az első 10 000 ingyenes oldal után, a könyvtár helyben fut oldalszám nélkül.","A szolgáltató saját, több mint 1 000 vállalati oldalas benchmarkján az open-source változat 0,426 táblázati cellatartalmat ér el 0,820-zal szemben a legjobb platform-pipelinenél.","A táblázati szerkezet és az olvasási sorrend hiba nélkül bukik el, ezért a korpusz mintáját olvassa el, mielőtt embeddig modellt választana.","A telemetria DO_NOT_TRACK és SCARF_NO_ANALYTICS kapcsolókkal kikapcsolható; a könyvtárral a dokumentumok nem hagyják el a gépet.",[64,67,70,73],{"q":65,"a":66},"Az unstructured könyvtár ingyenesen használható?","Igen. A könyvtár Apache-2.0, PyPI-ról települ, és fiók vagy oldal korlát nélkül fut. A hostolt platformért kell fizetni: 10 000 ingyenes oldal induláskor, utána 0,015 dollár oldalanként.",{"q":68,"a":69},"Mi a különbség a könyvtár és a platform között?","A könyvtár a saját folyamatában partitionál, chunkol és rendez. A platform kezelt jobokat, több mint 40 gondozott csatlakozót, módosításfelismerést, hogy csak az új vagy módosított fájlok fussanak, VLM-particionálási stratégiát és megfelelőségi tanúsításokat ad hozzá. A szolgáltató benchmarkján ez 0,426 és 0,820 táblázati cellatartalomként jelenik meg.",{"q":71,"a":72},"Melyik particionálási stratégiát érdemes használni?","Az auto az alapértelmezett, fájlonként választ, a fast a beágyazott szöveget olvassa és a legolcsóbb, a hi_res elrendezés-felismerést és OCR-t futtat, ez a scannekhez és táblázatokhoz való, az ocr_only pedig a szövegréteg nélküli oldalakat kezeli. A VLM stratégia csak a platformon létezik.",{"q":74,"a":75},"Mennyibe kerül egy nagy dokumentumkészlet feldolgozása?","Az első 10 000 ingyenes oldal után 0,015 dollár oldalanként azt jelenti, hogy egy 500 oldalas scan 7,50 dollár a pay-as-you-go tarifán. A könyvtár saját üzemeltetése csak számítási időbe kerül, ezért a nagy archívumokat általában helyben dolgozzák fel, és csak a nehéz dokumentumok mennek a platformra.",[77,80,83,86,89,92,95,98],{"id":78,"title":79},"what-it-is","Mi ez",{"id":81,"title":82},"how-it-works","Hogyan működik",{"id":84,"title":85},"getting-started","Első lépések",{"id":87,"title":88},"performance","Teljesítmény és költség",{"id":90,"title":91},"pricing","Árazás",{"id":93,"title":94},"where-it-shingles","Hol akad el",{"id":96,"title":97},"verdict","Ítélet",{"id":99,"title":100},"sources","Források",[102,110,113,116,151,189,190,202,208,211,212,215,217,223,230,231,243,291,294,308,311,312,315,325,326,329,375,382,396,397,400,416,420,421],{"type":103,"content":104},"paragraph",[105,106],"Az Unstructured az a dokumentumfeldolgozási réteg, amellyel a legtöbb lekérdező pipeline elkezdődik: egy Apache-2.0 licencű Python-könyvtár, amely PDF-eket, Word-fájlokat, HTML-t, képeket és táblázatokat típusszintű elemekké alakít, címekké, táblákká, listákká és szöveggé, emellett egy hostolt platform, amely csatlakozókat, módosításfelismerést és a könyvtárban nem meglévő stratégiákat ad hozzá. ",{"tag":107,"children":108},"strong",[109],"A könyvtár szinte mindenkinek a jó kiindulópont; a platformnak csak akkor éri meg az árát, ha a táblázatok vagy a beszkennelt archívumok döntik el, hogy egyáltalán működik-e a pipeline.",{"type":103,"content":111},[112],"A réteg a stack elején ül, a chunking, az embeddig és a lekérdezés előtt, és a LlamaParse-szel, a Doclinggal, a Reductóval, az Azure Document Intelligence-nel, valamint a nagy felhőszolgáltatók parseoló végpontjaival versenyez. Előnye nem az, hogy minden benchmarkot megnyer, ezt a saját, közzétett számai cáfolják az open-source változatnál, hanem az, hogy a mag helyben, engedélyes licenc alatt fut: ezen a rétegen sem vektoradatbázis, sem chunker, sem hosting nem kényszerül rá.",{"type":114,"level":115,"id":78,"text":79},"heading",2,{"type":103,"content":117},[118,119,123,124,127,128,131,132,135,136,135,139,142,143,146,147,150],"Telepítés ",{"tag":120,"children":121},"code",[122],"pip install \"unstructured[all-docs]\""," paranccsal, majd ",{"tag":120,"children":125},[126],"partition()"," hívás egy fájlra, és visszajön egy elemobjektum-lista, mindegyik típussal, szöveggel és metaadatokkal, például oldalszámmal és bounding boxszal. A ",{"tag":120,"children":129},[130],"strategy"," argumentum választja ki a folyamatot: ",{"tag":120,"children":133},[134],"auto",", ",{"tag":120,"children":137},[138],"fast",{"tag":120,"children":140},[141],"hi_res"," és ",{"tag":120,"children":144},[145],"ocr_only"," a könyvtárban, ",{"tag":120,"children":148},[149],"vlm"," a platformtól, ami vizuális modellen küldi át az oldalakat. Eré épül a lánc, partition, chunk, enrich, embed és load, amit a platform jobként futtat, a könyvtár pedig szokásos függvényekként.",{"type":152,"ordered":153,"items":154},"list",false,[155,157,159,161,175,177,179],[156],"Licenc és tulajdonos: Apache-2.0 a könyvtárhoz; a platform az Unstructured kereskedelmi terméke ingyenes tarifával, pay-as-you-go-val és egyedi tarifával.",[158],"Lefedettség: az árlista több mint 45 támogatott fájltípust és több mint 40 csatlakozót sorol fel, több mint 20 forrásra és több mint 20 célra bontva.",[160],"Kimenet: típusszintű elemek, mint Title, NarrativeText, Table, ListItem és Image, oldalszámmal, koordinátákkal és metaadatokkal a helyett, hogy egyetlen szövegfal jönne vissza.",[162,163,135,165,135,167,142,169,171,172,174],"Stratégiák: ",{"tag":120,"children":164},[134],{"tag":120,"children":166},[138],{"tag":120,"children":168},[141],{"tag":120,"children":170},[145]," helyben, plusz ",{"tag":120,"children":173},[149]," és a gazdagítási lépések a platformon.",[176],"Chunking: cím szerint, oldal szerint, karakter szerint és hasonlóság szerint, a kontextuális chunking a platform funkciója.",[178],"Benchmarkok: az Unstructured több mint 1 000 vállalati oldalon közöl eredményeket a Reducto, a LlamaParse, a Docling, a Snowflake, a Databricks és az NVIDIA ellen.",[180,181,184,185,188],"Telemetria: a könyvtár névtelen használati adatokat küld, hacsak nincs beállítva a ",{"tag":120,"children":182},[183],"DO_NOT_TRACK"," vagy a ",{"tag":120,"children":186},[187],"SCARF_NO_ANALYTICS",".",{"type":114,"level":115,"id":81,"text":82},{"type":103,"content":191},[192,193,195,196,198,199,201],"Egy futás beolvassa a fájlt, szükség esetén rendereli az oldalakat, majd a területeket elemekre osztja. A ",{"tag":120,"children":194},[138]," a beágyazott szöveget veszi és címkézi; a ",{"tag":120,"children":197},[141]," elrendezés-felismerést és OCR-t futtat az oldalképen, ezért lassabb, ezért kell hozzá telepített modellcsomag, és ez a stratégia adja a táblázatokat, amiket érdemes megtartani; az ",{"tag":120,"children":200},[145]," a tartalék, amikor egy oldalon egyáltalán nincs szövegréteg. Ezután a chunking a elemeket karakterkeret alá gyűjti, igyekezve nem elválasztani a címet attól az abszolútól, amelyet bevezet.",{"type":203,"src":204,"alt":205,"wide":206,"caption":207},"image","\u002Fimages\u002Fblog\u002Funstructured\u002Fdiagram-7.webp","Ahogy egy dokumentum kereshető szöveggé válik A forrásfájlok felülről érkeznek, a partition lépés típusszintű elemekre bontja őket, miközben olvassa az elrendezést és OCR-t futtat. Az elemeket címkék, oldalak vagy méret szerint chunkokká állítja össze, metaadatokkal és táblázati szerkezettel gazdagítja, vektorokba ágyazza, és több mint húsz célrendszer egyikébe tölti.",true,"Minden lépés a könyvtárban külön hívás, a platformon külön fázis, így a pipeline a közből újrafuttatható anélkül, hogy az egész korpuszt újra kellene feldolgozni.",{"type":103,"content":209},[210],"A kimenetön áll vagy bukik az elemszél. Egy HTML-be, érintetlen fejlécsorral kijövő táblázat egy hasznos csomóponttá válik; ugyanaz a táblázat prózaként olvasva több chunkká szakad, amelyek mindegyike a szám felét hordozza. Ez az egész érv amellett, hogy számítson ez a réteg, és ez az egész ok arra, hogy az eredményt olvassuk, mielőtt az embeddig modellt cserélnénk.",{"type":114,"level":115,"id":84,"text":85},{"type":103,"content":213},[214],"A könyvtár quickstartje egyetlen függvényhívás. Az alábbi kódrészlet PDF-et dolgoz fel a felbontásnál precíz stratégiával, megtartja a táblázati szerkezetet, cím szerint chunkol, és JSON-ba írja az eredményt.",{"type":120,"code":216},"from unstructured.partition.auto import partition\nfrom unstructured.chunking.title import chunk_by_title\nfrom unstructured.staging.base import elements_to_json\n\n# strategy: auto, fast, hi_res or ocr_only; hi_res is the one that keeps table structure\nelements = partition(\n    filename=\"report.pdf\",\n    strategy=\"hi_res\",\n    infer_table_structure=True,\n)\nchunks = chunk_by_title(elements, max_characters=1_200, combine_under=300)\n\nelements_to_json(chunks, filename=\"report.elements.json\")\nprint(len(elements), \"elements,\", len(chunks), \"chunks\")",{"type":103,"content":218},[219,220,222],"A helyi kísérleten túl a platform a gondozott út: ugyanaz a partition lépés API vagy ütemezett job mögött, csatlakozók S3-hoz, SharePoint-hoz, Google Drive-hoz és a többihez, módosításfelismerés, hogy csak az új vagy módosított fájlok dolgozódjanak fel, valamint a ",{"tag":120,"children":221},[149]," stratégia. A könyvtár marad az a hely, ahol a parseoló kód maga él, és a dokumentáció is köré épül.",{"type":224,"variant":225,"title":226,"body":227},"callout","tip","Előbb az elemeket olvassa, csak utána az embeddigeket",[228],[229],"Partitionáljon száz oldalt a saját korpuszából, és olvassa el a kimenetet: elemtípusok, táblázati szerkezet, olvasási sorrend. Ennél a rétegnél a hiba csendes: a parseoló, amelyik a táblázat felét ejti, tiszta JSON-t ad vissza, és minden további metrika helyette a retrievert okolja.",{"type":114,"level":115,"id":87,"text":88},{"type":103,"content":232},[233,234,236,237,239,240,242],"A platform oldalakat számláz: 10 000 ingyen az elején, utána 0,015 dollár oldalanként, így egy 400 oldalas beszkennelt archívum hat dollárnyi feldolgozás, még mielőtt bárki feltett volna egy kérdést. A könyvtár CPU-ban és valós időben számláz: a ",{"tag":120,"children":235},[138]," közel I\u002FO-kötött, a ",{"tag":120,"children":238},[141]," oldalanként elrendezési modellt és OCR-t futtat, a ",{"tag":120,"children":241},[149]," pedig a számlát a számításról a modell tokenjeire helyezi át.",{"type":244,"head":245,"rows":254},"table",[246,248,250,252],[247],"Pipeline",[249],"Adjusted CCT",[251],"Tokens added",[253],"Table cell content",[255,264,273,282],[256,258,260,262],[257],"Unstructured platform",[259],"0.880",[261],"0.051",[263],"0.820",[265,267,269,271],[266],"Unstructured open source",[268],"0.715",[270],"0.119",[272],"0.426",[274,276,278,280],[275],"LlamaParse VLM",[277],"0.835",[279],"0.069",[281],"0.522",[283,285,287,289],[284],"Docling alapértelmezett",[286],"0.716",[288],"0.135",[290],"0.657",{"type":103,"content":292},[293],"A számok az Unstructured saját, több mint 1 000 vállalati oldalra végzett benchmarkjából származnak, beszkennelt számlákból, egymásba ágyazott táblázatokból és kézírásból, a szolgáltatói összehasonlítás pedig marketing, ezért a használható jel egyetlen terméken belüli rés: 0,426 szemben 0,820 táblázati cellatartalommal az open-source változat és a legjobb platform-pipeline között, és 0,715 szemben 0,880 a javított szövegpontosságon. Az element alignment, hogy területet címkéztek-e szövegként, táblázatként vagy bekezdésként, az a mutató, amelynél az összes eszköz 0,53 és 0,61 közé esik, és ez ennek a rétegnek a becsületes nehézsége.",{"type":152,"ordered":153,"items":295},[296,298,306],[297],"Egyszer parse-oljon, és tartsa meg az elem-JSON-t: ugyanazt a korpuszt chunkolási kísérlet közben újrapartitionálni ennek a rétegnek a leggyakoribb pénzégetése.",[299,300,302,303,305],"A stratégiát dokumentumtípusonként válassza, nem korpuszonként: ",{"tag":120,"children":301},[138]," digitális szövegre, ",{"tag":120,"children":304},[141]," scannekre és minden táblázatot tartalmazó dokumentumra.",[307],"Oldalakat számoljon, ne fájlokat, mert az oldalankénti ár egy 400 oldalas PDF-et költségtétellé tesz, nem a dokumentumok számát.",{"type":103,"content":309},[310],"Ebből semmi sem egyedi erre a szolgáltatóra: minden parseoló a recallt adja a számítási időért. Egyedi viszont, hogy a számok egyáltalán megjelennek, egy olyan táblázatban, amelyben a versenytársak nevei is szerepelnek, és ez több, mint amit a mező többi szereplője közöl.",{"type":114,"level":115,"id":90,"text":91},{"type":103,"content":313},[314],"Két termék, egy név. A könyvtár Apache-2.0 és ingyenes: telepíti, a saját gépén futtatja, nincs fiók és nincs oldalszám. A platform ugyanez a feldolgozás kezelt jobokkal, csatlakozókkal és megfelelőséggel, oldalanként mérve.",{"type":152,"ordered":153,"items":316},[317,319,321,323],[318],"Könyvtár: Apache-2.0, telepítés PyPI-ről, korlátlan oldal, saját hardver.",[320],"Ingyenes: 10 000 oldal induláskor, bankkártya nélkül, minden funkció benne van.",[322],"Pay-as-you-go: 0,015 dollár oldalanként az első 10 000 oldal után, minden funkció benne van.",[324],"Business: egyedi ár dedikált példányhoz, VPC-hez vagy bare metal környezethez, többfelhasználós fiókokkal, szerepalapú hozzáférés-vezérléssel és a szolgáltató megfelelőségi tanúsításaival.",{"type":114,"level":115,"id":93,"text":94},{"type":103,"content":327},[328],"Kezdje a gyengeségekkel. Az open-source változat a gyengébb parseoló, és a szolgáltató saját táblázata ezt mondja: 0,426 táblázati cellatartalom szemben 0,820-zal a legjobb platform-pipelinenél, 0,119 kitalált token szemben 0,051-rel. Az ár oldalanként megy, ami a digitálisan született PDF-eket jutalmassa, a scanneket bünteti, és rossz egység az egyik oldal, amelyik egy bekezdést tartalmaz, a következő pedig egy 400 cellás táblázatot. Amiért a platformot éri meg bérelni, a VLM-particionálás, az inkrementális módosításfelismerés, a több mint 40 gondozott csatlakozó és a megfelelőség, éppen az, amit a licenc nem tartalmaz. És a kimenet továbbra is ellenőrzést kíván: az olvasási sorrend és a táblázati szerkezet a két mező, amely hiba nélkül bukik el.",{"type":244,"head":330,"rows":339},[331,333,335,337],[332],"Eszköz",[334],"Mi az",[336],"Hol győz",[338],"Miről mond le",[340,348,357,366],[341,342,344,346],[25],[343],"Könyvtár és hostolt platform",[345],"Helyi futás Apache-2.0 alatt, közzétett minőségi benchmarkkal",[347],"Oldalankénti számlázás, és az erős számokhoz a fizetős pipeline kell",[349,351,353,355],[350],"LlamaParse",[352],"A LlamaIndex csapat hostolt parseolója",[354],"Gyors beállítás és szoros LlamaIndex-integráció",[356],"Csak hostolt, minden oldal elhagyja a hálózatot",[358,360,362,364],[359],"Docling",[361],"Az IBM open-source parseolója",[363],"Egyetlen függőség, MIT-licenc, erős táblázati kimenet",[365],"Kevesebb fájltípus és nincs gondozott csatlakozóréteg",[367,369,371,373],[368],"Reducto",[370],"Hostolt parsing API elrendezés-szabályozással",[372],"Táblázati pontosság és elrendezés-szabályozás szolgáltatásként",[374],"Csak API: nincs helyi futás és nincs bővíthető könyvtár",{"type":103,"content":376},[377,378,381],"A valódi döntés az, ki fizet a minőségért. Ha a korpusz digitálisan született szöveg, és az elfogadható kimenet elég, a ",{"tag":120,"children":379},[380],"strategy=\"fast\""," parancsot használó könyvtár oldalanként ingyenes, és a feladathoz megfelelő méret. Ha a táblázatok, a scannek vagy a szabályozott adatok döntik el, hogy működik-e a pipeline, akkor a platform vagy egy specializált parseoló a vásárlás, és az egyetlen számító teszt az a száz oldal a saját dokumentumokból, amelyet azokon a mezőkön pontoz, amelyeket ténylegesen olvas.",{"type":224,"variant":383,"title":384,"body":385},"warn","Telemetria és ami elhagyja a gépet",[386],[387,388,391,392,395],"A könyvtárral a dokumentumok helyben maradnak, de a csomag alapértelmezésben névtelen használati adatokat küld; a ",{"tag":120,"children":389},[390],"DO_NOT_TRACK=1"," és a ",{"tag":120,"children":393},[394],"SCARF_NO_ANALYTICS=1"," kikapcsolja ezt. A platform eleve a hostolt szolgáltatásnak küldi az oldalakat, a biztonsági oldalak pedig átviteli titkosítást, zero data retentiont és elkülönített inferenciát említenek azoknak a csapatoknak, akik ezt nem tehetik meg.",{"type":114,"level":115,"id":96,"text":97},{"type":103,"content":398},[399],"Az Unstructured a lekérdező pipeline elején a legbiztosabb alapértelmezés, mert unalmas, helyi és mérhető: egyetlen függvény, amely típusszintű elemeket ad vissza, egy benchmark, amellyel lehet vitatkozni, és egy fizetős szint, amelybe át lehet térni az ingestion újraírása nélkül. Valójában az dől el, hogy a terméknek mennyi parsing-minőség kell, a szolgáltató saját számai pedig azt mondják, hogy az ingyenes változat nem ugyanaz, mint a fizetős.",{"type":152,"ordered":206,"items":401},[402,404,406,408,414],[403],"Könyvtárat használjon, ha már létezik pipeline, és típusszintű elemek kellenek a nyers szöveg helyett; Apache-2.0, helyben fut, és a stack többi részének megérintése nélkül cserélhető.",[405],"Platformot használjon, ha az oldalak S3-ból, SharePointból vagy Confluence-ből érkeznek, és csatlakozókra, módosításfelismerésre és audit trailre van szükség.",[407],"Ne fogadja el a pénzügyi táblázatok hivatalos parseolójaként a saját dokumentumai kiértékelése nélkül; a stratégiák közti rés egy terméken belül nagyobb, mint a szolgáltatók közti.",[409,410,413],"Ne válassza, ha a nehéz helyi függőségi fa elfogadhatatlan, mert az ",{"tag":120,"children":411},[412],"unstructured[all-docs]"," magával húzza az OCR- és elrendezési csomagot, míg a Docling vagy egy hostolt API jóval könnyebb.",[415],"Már az elején oldalakban költségvetést készítsen; az oldalankénti ár könnyen modellezhető és beszkennelt archívumokkal könnyen túlléphető.",{"type":417,"content":418},"quote",[419],"A dokumentumfeldolgozást mért lépésként kezelje, nem közműként: a stratégiát a saját oldalai mintáján válassza ki, tartsa meg az elem-JSON-t, és a parseolót csak akkor cserélje, amikor a táblázati számok elmozdulnak.",{"type":114,"level":115,"id":99,"text":100},{"type":152,"ordered":206,"items":422},[423,428,432,436,440,444],[424],{"tag":425,"href":30,"children":426},"a",[427],"Unstructured dokumentáció: pipeline áttekintés",[429],{"tag":425,"href":33,"children":430},[431],"Unstructured dokumentáció: transform quickstart",[433],{"tag":425,"href":36,"children":434},[435],"Unstructured árazás: ingyenes oldalak, díj oldalanként és tarifák",[437],{"tag":425,"href":39,"children":438},[439],"Unstructured benchmarkok: több mint 1 000 vállalati oldal más parseolók ellen",[441],{"tag":425,"href":42,"children":442},[443],"Unstructured könyvtár a GitHubon",[445],{"tag":425,"href":45,"children":446},[447],"Unstructured partition endpoint konténer",[449,525,584,642],{"slug":450,"published":451,"minutes":452,"category":7,"tags":453,"keywords":459,"about":472,"sources":482,"cover":519,"og":520,"expertise":48,"locales":521,"lang":52,"title":522,"description":523,"coverAlt":524},"embedding-model-selection-2026","2026-10-17",9,[454,455,456,457,458],"Embeddings","RAG","MTEB","Vector search","Model selection",[460,461,462,463,464,465,466,467,468,469,470,471],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[473,476,479],{"name":474,"url":475},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":477,"url":478},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":480,"url":481},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[483,486,489,492,495,498,501,504,507,510,513,516],{"title":484,"url":485},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":487,"url":488},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":490,"url":491},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":493,"url":494},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":496,"url":497},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":499,"url":500},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":502,"url":503},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":505,"url":506},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":508,"url":509},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":511,"url":512},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":514,"url":515},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":517,"url":518},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[50,51,52],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":526,"published":451,"minutes":527,"category":7,"tags":528,"keywords":531,"about":543,"sources":553,"cover":578,"og":579,"expertise":48,"locales":580,"lang":52,"title":581,"description":582,"coverAlt":583},"contextual-retrieval-late-chunking",10,[455,12,454,529,530],"Contextual retrieval","Late chunking",[532,533,534,535,536,537,538,539,540,541,542],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[544,547,550],{"name":545,"url":546},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":548,"url":549},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":551,"url":552},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[554,557,560,563,566,569,572,575],{"title":555,"url":556},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":558,"url":559},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":561,"url":562},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":564,"url":565},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":567,"url":568},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":570,"url":571},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":573,"url":574},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":576,"url":577},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[50,51,52],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":585,"published":451,"minutes":452,"category":7,"tags":586,"keywords":590,"about":603,"sources":611,"cover":636,"og":637,"expertise":48,"locales":638,"lang":52,"title":639,"description":640,"coverAlt":641},"rag-access-control-permissions",[455,587,588,589,457],"Access control","Security","Multi-tenancy",[591,592,593,594,595,596,597,598,599,600,601,602],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[604,607,610],{"name":605,"url":606},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":608,"url":609},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":545,"url":546},[612,615,618,621,624,627,630,633],{"title":613,"url":614},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":616,"url":617},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":619,"url":620},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":622,"url":623},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":625,"url":626},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":628,"url":629},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":631,"url":632},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":634,"url":635},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[50,51,52],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":643,"published":451,"minutes":527,"category":7,"tags":644,"keywords":649,"about":661,"sources":669,"cover":696,"og":697,"expertise":698,"locales":699,"lang":52,"title":700,"description":701,"coverAlt":702},"rag-product-catalog-pim-data",[455,645,646,647,648],"PIM","Product data","B2B e-commerce","Metadata filtering",[650,651,652,653,654,655,656,657,658,659,660],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[662,665,666],{"name":663,"url":664},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":545,"url":546},{"name":667,"url":668},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[670,673,676,679,681,684,687,690,693],{"title":671,"url":672},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":674,"url":675},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":677,"url":678},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":680,"url":668},"ETIM International: Classification",{"title":682,"url":683},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":685,"url":686},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":688,"url":689},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":691,"url":692},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":694,"url":695},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[50,51,52],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159968]