[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-lost-in-the-middle::ru":3,"gloss-cluster-lost-in-the-middle::ru":23,"gloss-next-lost-in-the-middle::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"lost-in-the-middle","core-ai","Потеря в середине (Lost in the Middle)","«Потеря в середине» — это вывод о том, что языковые модели лучше всего используют информацию, когда она стоит в начале или конце длинного контекста, и хуже всего — когда она зарыта в середине. Даже модели, рекламирующие огромные окна контекста, показывают эту U-образную закономерность: поместите ключевой фрагмент в середину длинного промпта — и модель заметно чаще его пропустит. Поведение задокументировано в исследовании 2023 года и имеет реальные последствия для всех, кто набивает в промпт много текста. Для разработчиков — особенно в RAG — это значит, что просто извлечь нужный документ недостаточно; важно, куда вы его поместите. Практическая заметка: располагайте самые важные извлечённые фрагменты в начало и конец контекста, а не в середину; держите промпты настолько сжатыми, насколько позволяет задача, вместо того чтобы максимизировать контекст просто потому, что можете; и проверяйте точность извлечения на реалистичных длинах контекста. Шаг переранжирования (reranking), выносящий главные доказательства к краям, способен заметно улучшить ответы.","«Потеря в середине» — U-образная закономерность: модели лучше используют контекст в начале и конце и хуже всего, когда ключевой фрагмент зарыт в середине.",null,[11,14,17,20],{"slug":12,"name":13},"context-window","Контекстное окно",{"slug":15,"name":16},"reranking","Реранкинг (Reranking)",{"slug":18,"name":19},"retrieval","Извлечение (Retrieval)",{"slug":21,"name":22},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",[24,28,32,36,39,42,45,48,51,54,55,58],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":12,"category":5,"name":13,"updated_at":27},{"slug":56,"category":5,"name":57,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":59,"category":5,"name":60,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]