---
title: "Qu’est-ce que « lost in the middle » ? Position et contexte"
description: "Lost in the middle : les LLM exploitent mieux les faits au début et à la fin d’un long prompt qu’au milieu. Ce qu’a montré l’étude de 2023, et quel ordre suivre."
url: https://broadrouter.com/fr/glossary/lost-in-the-middle/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/lost-in-the-middle/) (mis à jour le 2026-11-14).

# Lost in the middle (perdu au milieu)

Mis à jour 2026-11-14

Lost in the middle désigne la tendance observée des modèles de langage à mieux exploiter une information pertinente lorsqu’elle se trouve près du début ou de la fin d’une longue entrée, et moins bien lorsqu’elle se situe au milieu. Le phénomène a été nommé dans une étude de Liu et al. en 2023.

Aussi appelé : lost in the middle, perdu au milieu, effet lost-in-the-middle, biais de position en contexte long, performance en U, lost-in-the-middle effect, middle-of-context problem, long-context position bias, U-shaped context performance

Placez la réponse au milieu d’un long prompt, et beaucoup de modèles risquent davantage de la manquer que si elle se trouvait au début ou à la fin.

## Comment ça marche

Liu et al. (2023) ont testé des modèles sur deux tâches. En question-réponse multi-documents, le modèle recevait une question et plusieurs documents récupérés, dont un seul contenait la réponse. En récupération clé-valeur, il devait retrouver une valeur dans une longue liste de paires. Les chercheurs faisaient varier la position de l’élément pertinent.

Leur constat : la performance « is often highest when relevant information occurs at the beginning or end of the input context, and significantly degrades when models must access relevant information in the middle of long contexts, even for explicitly long-context models » (traduction : « est souvent maximale quand l’information pertinente se trouve au début ou à la fin du contexte d’entrée, et se dégrade nettement quand les modèles doivent accéder à une information pertinente au milieu de longs contextes, même pour des modèles explicitement conçus pour les longs contextes »). Tracée selon la position, la précision dessine un U.

La lecture pratique est simple. Une longue [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/) indique combien un modèle accepte, pas avec quelle régularité il l’exploite.

## Pourquoi c’est important

-   **Ordre en RAG.** En [génération augmentée par récupération](https://broadrouter.com/fr/glossary/rag/), le retriever classe les passages. Si vous placez le meilleur au milieu de 20, vous gâchez ce classement. Mettez-le en premier, ou en premier et en dernier.
-   **Documents longs.** Poser une question sur une clause en page 40 sur 80 est plus difficile que sur la page 1. Indiquez au modèle la section, ou extrayez-la au préalable.
-   **Agents.** Dans un long historique d’[agent](https://broadrouter.com/fr/glossary/agent/), les premières instructions et le dernier tour reçoivent de l’attention ; ce sont les sorties d’outils du milieu de l’exécution qui risquent le plus d’être sous-exploitées.

Lost in the middle est une facette d’un effet plus large, le [context rot](https://broadrouter.com/fr/glossary/context-rot/), où la précision baisse avec la longueur et les distracteurs, pas seulement avec la position.

## Sur BroadNet Inference

Chez BroadNet, DeepSeek V4.1 Flash et GLM 5.3 acceptent jusqu’à 1 048 576 tokens par requête. La position compte donc davantage, pas moins, car le milieu est plus vaste. Une disposition compatible à la fois avec les effets de position et avec l’[entrée en cache](https://broadrouter.com/fr/glossary/cached-input-tokens/) :

```text
[stable system prompt and instructions]  -> cached prefix
[documents, best-ranked first]
[the question, restated in full]         -> end of prompt
```

Le [guide du contexte d’un million de tokens](https://broadrouter.com/fr/blog/million-token-context-window-guide/) et [structurer ses prompts pour le cache](https://broadrouter.com/fr/blog/prompt-structure-for-caching/) vont plus loin.

## Questions fréquentes

### Les modèles récents à long contexte se perdent-ils encore au milieu ?

L’étude d’origine a constaté la baisse même sur des modèles conçus pour les longs contextes. Des travaux plus récents, comme le rapport de Chroma sur le context rot en 2025, constatent toujours une précision qui baisse avec la longueur. Testez votre propre modèle et la disposition de votre prompt.

### Où placer le document le plus important dans un prompt ?

Près du début ou de la fin, pas enfoui au milieu. Pour le RAG, placez le passage le mieux classé en premier et reformulez la question après les documents.

### Est-ce que cela entre en conflit avec le prompt caching ?

Cela peut arriver. Le cache favorise un préfixe stable, tandis que les effets de position favorisent le texte le plus pertinent près des bords. Placez les instructions stables en premier, puis la question et les passages clés à la fin.

## Voir aussi

-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [Context rot (dégradation du contexte)](https://broadrouter.com/fr/glossary/context-rot/) (terme)
-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Prompt système (system prompt)](https://broadrouter.com/fr/glossary/system-prompt/) (terme)
-   [Tokens d’entrée en cache (cached input tokens)](https://broadrouter.com/fr/glossary/cached-input-tokens/) (terme)
-   [Quand une fenêtre de contexte de 1M de tokens vaut le coup (ou pas)](https://broadrouter.com/fr/blog/million-token-context-window-guide/) (article)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)
-   [Structurer ses prompts pour que le préfixe soit mis en cache](https://broadrouter.com/fr/blog/prompt-structure-for-caching/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-lost-in-the-middle&utm_content=page-cta) ·

**Sources**

-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Hong, Troynikov et Huber, Context Rot (rapport technique de Chroma, 2025)](https://www.trychroma.com/research/context-rot)
-   [Référence de l’API BroadNet Inference, ID de modèles et contexte (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-lost-in-the-middle&utm_content=sources#models)
