Source

Stratégies de chunking pour le RAG (synthèses 2026)

Point de départ 400 à 800 tokens, overlap 10 à 15 %, puis mesurer sur notre corpus.

Confirmée#rag #chunkingPublié le 16 sept. 2026Mis à jour le 16 sept. 2026Vérifié le 16 sept. 2026À revérifier le 15 déc. 2026

URL: https://www.firecrawl.dev/blog/best-chunking-strategies-rag
Organisation: Firecrawl / Prem AI
Type: Article technique
Fiabilité: Fiabilité moyenne
Publié: 2026
Consulté le: 16 septembre 2026
Sujets: rag, chunking

Citée par 2 page(s)

Chunking et embeddingsHypothèseRAG · Découper les documents en passages exploitables, les étiqueter (dont l'ACL), les vectoriser avec un modèle multilingue sous licence libre, et estimer la mémoire des index.Comparer les modèles d'embeddings sur du français juridiqueHypothèseExpérimentation · Mesurer recall@k et MRR de bge-m3, multilingual-e5-large, Qwen3-Embedding (0.6B, 4B) et nomic-embed-text v2 sur le jeu de questions du corpus fictif, avec et sans reranker.

Ce que dit la source : synthèses non peer-reviewed : 256 à 512 tokens pour les questions factuelles, 512 à 1 024 pour l'analytique / multi-hop ; « start at 512 with 10 to 20% overlap » ; le splitter récursif reste « the safest default » ; une étude Vectara (NAACL 2025, citée) trouve que le chunking à taille fixe surpasse souvent le chunking sémantique sur documents réels.

Ce qu'on en retient : point de départ 400 à 800 tokens, overlap 10 à 15 %, puis mesurer sur notre corpus.

Limites : articles d'éditeurs ; l'étude Vectara n'a pas été lue directement.

Citée par 2 page(s)

Informations liées