# Late Chunking Patterns — Chunking etter embedding

**Last updated:** 2026-02
**Status:** GA (Jina Embeddings), Preview (Azure Marketplace)
**Category:** RAG Architecture & Semantic Search

---

## Introduksjon

Late chunking er en teknikk der et helt dokument embeddes gjennom en transformer-modell *før* det deles opp i chunks. I tradisjonell (naiv) chunking embeddes hver chunk isolert, og mister dermed kontekst fra resten av dokumentet — pronomener som «den», «de» og «selskapet» blir semantisk tvetydige.

Ved late chunking genererer modellen token-level embeddings med full dokumentkontekst via self-attention, og deretter beregnes chunk-embeddings via mean pooling over de relevante token-posisjonene. Resultatet er at hvert segment «vet» hva resten av dokumentet inneholder.

Jina AI introduserte teknikken i 2024 (arXiv:2409.04701) og viste konsistent forbedring på BeIR-datasett: SciFact +1.9%, NFCorpus +27.8% relativ forbedring i nDCG@10. Effekten øker med dokumentlengde.

Azure-integrasjon er mulig via Jina Embeddings v3/v4 på Azure Marketplace. Azure OpenAI sine embedding-modeller (text-embedding-3) eksponerer per i dag ikke token-level embeddings, men overlapping chunk-strategier gir en tilnærming.

---

## Kjernekomponenter

### Naiv vs. Late Chunking

| Aspekt | Naiv chunking | Late chunking |
|--------|---------------|---------------|
| **Rekkefølge** | Chunk → Embed | Embed → Chunk |
| **Kontekst-scope** | Kun innen chunk | Hele dokumentet |
| **Kryss-referanser** | Tapes | Bevares via token-embeddings |
| **Krav til modell** | Vilkårlig embedding-modell | Long-context embedding (8K+ tokens) |
| **Kostnad** | Lavere (kun chunks embeddes) | Høyere (fullt dokument embeddes) |

### Long-context embedding-modeller

| Modell | Context Length | Dimensjoner | Azure-tilgjengelighet |
|--------|----------------|-------------|----------------------|
| **text-embedding-3-large** | 8 191 tokens | 3 072 | GA via Azure OpenAI |
| **text-embedding-3-small** | 8 191 tokens | 1 536 | GA via Azure OpenAI |
| **jina-embeddings-v3** | 8 192 tokens | 1 024 | Azure Marketplace |
| **jina-embeddings-v4** | 8 192 tokens | 1 024 | Azure Marketplace |

8 000 tokens ≈ 10 standardsider — tilstrekkelig for de fleste enkeltdokumenter.

### Benchmark-resultater (BeIR)

| Datasett | Naiv chunking (nDCG@10) | Late chunking (nDCG@10) | Forbedring |
|----------|--------------------------|-------------------------|------------|
| SciFact | 64.20% | 66.10% | +1.9 pp |
| NFCorpus | 23.46% | 29.98% | +6.52 pp (+27.8%) |

Effekten er størst for lengre dokumenter med mange kryss-referanser.

---

## Arkitekturmønstre

### Mønster 1: Native late chunking med Jina Embeddings

**Arkitektur:** Data source → Indexer → Text extraction → Jina API (`late_chunking=True`) → Azure AI Search index

**Implementering:**

```python
import requests

response = requests.post(
    "https://<jina-endpoint>.azurecontainer.io/v1/embeddings",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "input": full_document_text,
        "model": "jina-embeddings-v3",
        "late_chunking": True,
        "chunk_size": 512
    }
)
chunk_embeddings = response.json()["data"]
```

**Fordeler:**
- Ekte late chunking med full dokumentkontekst
- Native API-parameter — ingen custom logikk
- God multilingual-støtte (norsk inkludert)

**Ulemper:**
- Krever Jina-modell (ikke Azure OpenAI natively)
- Azure Marketplace deployment nødvendig
- 8K token-grense per dokument

**Anbefalt for:** Narrative dokumenter med mange kryss-referanser (juridiske tekster, forskningsrapporter).

### Mønster 2: Pseudo-late chunking med overlapping windows (Azure OpenAI)

**Arkitektur:** Data source → Indexer → Text Split (chunks med kontekst-vinduer) → Azure OpenAI Embedding → Index

**Implementering:**

```python
from openai import AzureOpenAI

client = AzureOpenAI(...)
chunks = split_document(document, chunk_size=500, overlap=150)

for i, chunk in enumerate(chunks):
    # Include surrounding chunks for context
    context_window = chunks[max(0,i-1):min(len(chunks),i+2)]
    enriched_text = " ".join(context_window)

    embedding = client.embeddings.create(
        model="text-embedding-3-large",
        input=enriched_text[:8000]
    ).data[0].embedding
```

**Fordeler:**
- Bruker Azure OpenAI (ingen tredjepartavhengighet)
- Enkelt å implementere i eksisterende pipeline
- 70-80% av late chunking-effekten til lavere kostnad

**Ulemper:**
- Ikke ekte late chunking (kun nabochunk-kontekst)
- Økt embedding-kostnad (3x chunk-størrelse)

**Anbefalt for:** Teams som vil ha bedre kontekst uten å introdusere Jina-avhengighet.

### Mønster 3: Hybrid — Late chunking for langdokumenter, naiv for korte

**Arkitektur:** Router → [Kort dokument: naiv chunking] + [Langt dokument: late chunking] → Felles index

**Beslutningsregel:**
- Dokument < 2 000 tokens → Naiv chunking (lite å vinne)
- Dokument 2 000-8 000 tokens → Late chunking via Jina
- Dokument > 8 000 tokens → Segmenter i 8K-vinduer, late chunking per segment

**Anbefalt for:** Produksjonsløsninger med heterogene dokumentsamlinger.

---

## Beslutningsveiledning

### Beslutningstabell

| Dokumenttype | Late chunking? | Begrunnelse |
|-------------|----------------|-------------|
| Lange rapporter (>2K tokens) | Ja | Mange kryss-referanser |
| Narrative tekster (artikler) | Ja | Kontekst flyter mellom seksjoner |
| Korte, selvstendige docs | Nei | Ingen kryss-avhengigheter |
| Strukturerte data (tabeller, lister) | Nei | Rader/elementer er selvstendig |
| Juridiske dokumenter med referanser | Ja | Paragrafhenvisninger krever kontekst |

### Vanlige feil

| Feil | Konsekvens | Løsning |
|------|------------|---------|
| Late chunking på korte docs (<1K tokens) | Ingen gevinst, økt kostnad | Bruk naiv chunking for korte docs |
| Ignorerer 8K token-grense | Trunkering = tap av sluttkontekst | Segmenter lange docs i 8K-vinduer |
| Blander embedding-modeller i samme indeks | Inkompatible vektorrom | Én modell per vector-felt |
| Hopper over eval etter bytte | Vet ikke om det faktisk hjalp | Mål nDCG@10, precision@5, recall@5 |

---

## Integrasjon med Microsoft-stakken

| Tjeneste | Integrasjonspunkt |
|----------|-------------------|
| **Azure AI Search** | Vector index med custom embedding via push API eller custom skill |
| **Azure OpenAI** | text-embedding-3-large for pseudo-late chunking (mønster 2) |
| **Jina Embeddings (Azure Marketplace)** | Native late chunking via Container Instance |
| **Azure Functions** | Custom skill wrapper for Jina API |
| **Azure AI Document Intelligence** | Tekst-ekstraksjon før late chunking |
| **Semantic Kernel** | Custom embedding connector for Jina |

---

## Offentlig sektor (Norge)

### Dataplassering

- **Jina Embeddings (Azure Marketplace):** Deploy i Norway East — data forblir i Norge
- **Azure OpenAI Embeddings:** Sweden Central — data i EU/EØS
- **Azure AI Search:** Norway East — indeks i Norge

### Relevante vurderinger

| Krav | Implikasjon |
|------|-------------|
| **Schrems II** | Jina AI er tysk selskap — EU-data processing |
| **GDPR** | Embedding-prosessen behandler dokumentinnhold — databehandleravtale |
| **Sikkerhetsloven** | Gradert informasjon krever on-premises embedding |

---

## Kostnad og lisensiering

### Kostnadssammenligning (1 000 dokumenter, 5 000 tokens snitt, 10 chunks/doc)

| Tilnærming | Embedding-kall | Totalt tokens | Kostnad (text-embedding-3-large) |
|------------|----------------|---------------|----------------------------------|
| Naiv chunking | 10 000 | ~500K | ~$0.26 |
| Late chunking (full doc + chunks) | 11 000 | ~5.5M | ~$2.86 |
| Pseudo-late chunking (3x window) | 10 000 | ~1.5M | ~$0.78 |

**Trade-off:** 3-10x kostnadsøkning for 5-30% bedre retrieval-kvalitet (avhengig av dokumenttype).

### Jina Embeddings på Azure

- **Deployment:** Azure Container Instance (consumption-basert)
- **Prising:** Per API-kall til Jina-endepunktet
- **Fordel:** Ingen Azure OpenAI-kvote nødvendig

---

## For arkitekten (Cosmo)

### Spørsmål å stille kunden

1. **"Hvor lange er dokumentene?"** — Late chunking gir mest verdi for docs >2 000 tokens
2. **"Er det mange kryss-referanser internt i dokumenter?"** — Pronomen, forkortelser, «se avsnitt 3.2»
3. **"Er retrieval-kvaliteten god nok i dag?"** — Mål baseline først
4. **"Aksepterer dere Jina AI som tredjepart?"** — GDPR/vendor assessment
5. **"Hva er embedding-budsjettet?"** — Late chunking er 3-10x dyrere

### Fallgruver

- **Over-investering for korte docs:** Late chunking gir tilnærmet null gevinst for docs <1K tokens
- **Vendor lock-in til Jina:** Azure OpenAI kan få native late chunking-støtte — design for utbyttbarhet
- **Manglende evaluering:** Uten nDCG/precision-metrics vet du ikke om det hjelper

### Anbefalinger per modenhetsnivå

| Modenhet | Anbefaling |
|----------|------------|
| **Prototyp** | Naiv chunking med 25% overlap. Mål baseline. |
| **Pilot** | Pseudo-late chunking (mønster 2) med 3-chunk vinduer. Sammenlign metrics. |
| **Produksjon** | Hybrid (mønster 3) — late chunking for lange docs, naiv for korte. |
| **Enterprise** | Native late chunking via Jina + A/B-testing mot baseline. |

---

## Kilder og verifisering

| Kilde | Konfidens | URL |
|-------|-----------|-----|
| Late Chunking in Long-Context Embedding Models (Jina AI) | **Verified** | [jina.ai](https://jina.ai/news/late-chunking-in-long-context-embedding-models/) |
| arXiv:2409.04701 (forskningspaper) | **Verified** | [arxiv.org](https://arxiv.org/abs/2409.04701) |
| Jina Embeddings on Azure Marketplace | **Verified** | [azuremarketplace.microsoft.com](https://azuremarketplace.microsoft.com/en-us/marketplace/apps/jinaai.jina-embeddings-v4) |
| Jina Embeddings v3 announcement | **Verified** | [jina.ai](https://jina.ai/news/jina-embeddings-v3-a-frontier-multilingual-embedding-model/) |
| Azure OpenAI Embeddings | **Verified** | [learn.microsoft.com](https://learn.microsoft.com/en-us/azure/ai-foundry/openai/tutorials/embeddings) |
| Late Chunking tutorial (DataCamp) | **Baseline** | [datacamp.com](https://www.datacamp.com/tutorial/late-chunking) |