---
title: "Apakah itu \"lost in the middle\"? Bias kedudukan konteks LLM"
description: "Lost in the middle: LLM menggunakan fakta di awal dan akhir prompt panjang lebih baik daripada di tengah. Dapatan kajian 2023 dan cara menyusun prompt."
url: https://broadrouter.com/ms/glossary/lost-in-the-middle/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/lost-in-the-middle/) (dikemas kini 2026-11-14).

# Lost in the middle (hilang di tengah)

Dikemas kini 2026-11-14

Lost in the middle ialah kecenderungan model bahasa yang diperhatikan untuk menggunakan maklumat relevan dengan paling baik apabila ia muncul berhampiran awal atau akhir input panjang, dan paling teruk apabila ia berada di tengah. Ia dinamakan dalam kajian 2023 oleh Liu et al.

Juga dikenali sebagai: lost in the middle, lost-in-the-middle effect, middle-of-context problem, long-context position bias, U-shaped context performance, bias kedudukan konteks

Letakkan jawapan di tengah prompt yang panjang dan banyak model lebih cenderung terlepasnya berbanding jika ia berada di awal atau akhir.

## Cara ia berfungsi

Liu et al. (2023) menguji model pada dua tugas. Dalam menjawab soalan berbilang dokumen, model diberi soalan dan beberapa dokumen yang didapatkan semula, dan hanya satu daripadanya mengandungi jawapan. Dalam dapatan semula key-value, model perlu mencari satu nilai dalam senarai pasangan yang panjang. Penyelidik mengubah kedudukan item yang relevan.

Dapatan mereka: prestasi “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.” (Terjemahan BroadRouter: “selalunya paling tinggi apabila maklumat relevan muncul di awal atau akhir konteks input, dan merosot dengan ketara apabila model perlu mencapai maklumat relevan di tengah konteks panjang, walaupun bagi model yang dibina khusus untuk konteks panjang.”) Apabila diplot mengikut kedudukan, ketepatan membentuk lengkung U.

Maksud praktikalnya mudah. [Tetingkap konteks](https://broadrouter.com/ms/glossary/context-window/) yang panjang memberitahu anda berapa banyak yang diterima model, bukan sejauh mana sekata ia menggunakannya.

## Mengapa ia penting

-   **Susunan RAG.** Dalam [retrieval-augmented generation](https://broadrouter.com/ms/glossary/rag/), retriever menyusun petikan mengikut kedudukan. Jika anda meletakkan yang terbaik di tengah-tengah 20 petikan, kedudukan itu sia-sia. Letakkannya di awal, atau di awal dan akhir.
-   **Dokumen panjang.** Bertanya tentang satu klausa di halaman 40 daripada 80 lebih sukar berbanding halaman 1. Arahkan model ke bahagian itu, atau ekstraknya dahulu.
-   **Ejen.** Dalam sejarah [ejen](https://broadrouter.com/ms/glossary/agent/) yang panjang, arahan awal dan giliran terkini mendapat perhatian; output alatan di pertengahan larian paling mungkin kurang digunakan.

Lost in the middle ialah sebahagian daripada kesan yang lebih luas dipanggil [context rot](https://broadrouter.com/ms/glossary/context-rot/), di mana ketepatan menurun disebabkan panjang dan gangguan, bukan kedudukan sahaja.

## Di BroadNet Inference

DeepSeek V4.1 Flash dan GLM 5.3 BroadNet menerima sehingga 1,048,576 token bagi setiap permintaan. Ini menjadikan kedudukan lebih penting, bukan kurang, kerana bahagian tengahnya lebih panjang. Susun atur yang serasi dengan kesan kedudukan dan [input cache](https://broadrouter.com/ms/glossary/cached-input-tokens/):

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

[Panduan konteks 1M token](https://broadrouter.com/ms/blog/million-token-context-window-guide/) dan [struktur prompt untuk caching](https://broadrouter.com/ms/blog/prompt-structure-for-caching/) menghuraikannya dengan lebih lanjut.

## Soalan lazim

### Adakah model konteks panjang yang lebih baharu masih hilang di tengah?

Kajian asal mendapati penurunan itu walaupun pada model yang dibina untuk konteks panjang. Kajian kemudian seperti laporan context rot Chroma 2025 masih mendapati ketepatan menurun apabila input semakin panjang. Uji model dan susun atur prompt anda sendiri.

### Di manakah saya patut meletakkan dokumen paling penting dalam prompt?

Berhampiran awal atau akhir, bukan tertimbus di tengah. Untuk RAG, letakkan petikan berkedudukan teratas dahulu dan ulang soalan selepas dokumen.

### Adakah ini bercanggah dengan prompt caching?

Boleh jadi. Caching memihak kepada awalan yang stabil, manakala kesan kedudukan memihak kepada teks paling relevan berhampiran hujung. Letakkan arahan stabil dahulu, dan letakkan soalan serta petikan utama di akhir.

## Lihat juga

-   [Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/) (istilah)
-   [Context rot (kemerosotan konteks)](https://broadrouter.com/ms/glossary/context-rot/) (istilah)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/ms/glossary/rag/) (istilah)
-   [Prompt sistem (system prompt)](https://broadrouter.com/ms/glossary/system-prompt/) (istilah)
-   [Token input cache (cached input tokens)](https://broadrouter.com/ms/glossary/cached-input-tokens/) (istilah)
-   [Bila tetingkap konteks 1M token berbaloi (dan bila tidak)](https://broadrouter.com/ms/blog/million-token-context-window-guide/) (artikel)
-   [Konteks panjang vs RAG: bila 1M token menggantikan DB vektor](https://broadrouter.com/ms/blog/long-context-vs-rag/) (artikel)
-   [Cara menyusun prompt supaya prefix di-cache](https://broadrouter.com/ms/blog/prompt-structure-for-caching/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Hong, Troynikov dan Huber, Context Rot (laporan teknikal Chroma, 2025)](https://www.trychroma.com/research/context-rot)
-   [Rujukan API BroadNet Inference, ID model dan konteks (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-lost-in-the-middle&utm_content=sources#models)
