---
title: "Lost in the middle क्या है? लंबे context में position bias"
description: "Lost in the middle: LLM लंबे प्रॉम्प्ट की शुरुआत और अंत के तथ्य बीच वालों से बेहतर इस्तेमाल करते हैं। 2023 की स्टडी ने क्या दिखाया, प्रॉम्प्ट का क्रम कैसे रखें।"
url: https://broadrouter.com/hi/glossary/lost-in-the-middle/
lang: hi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/glossary/lost-in-the-middle/) (2026-11-14 को अपडेट किया गया).

# Lost in the middle (बीच में खो जाना)

अपडेट किया गया 2026-11-14

Lost in the middle लैंग्वेज मॉडल का देखा गया रुझान है कि वे काम की जानकारी का सबसे अच्छा इस्तेमाल तब करते हैं जब वह लंबे इनपुट की शुरुआत या अंत के पास हो, और सबसे ख़राब तब जब वह बीच में हो। यह नाम Liu और साथियों की 2023 की स्टडी ने दिया।

अन्य नाम: बीच में खो जाना, लंबे context में position bias, lost in the middle kya hai, lost in the middle problem, lost in the middle, lost-in-the-middle effect, middle-of-context problem, long-context position bias, U-shaped context performance

लंबे प्रॉम्प्ट के बीच में जवाब रख दें, तो कई मॉडल उसे शुरुआत या अंत में रखे जवाब के मुक़ाबले ज़्यादा चूकते हैं।

## यह कैसे काम करता है

Liu और साथियों (2023) ने मॉडल को दो टास्क पर परखा। multi-document question answering में मॉडल को एक सवाल और कई निकाले गए डॉक्यूमेंट मिले, जिनमें से सिर्फ़ एक में जवाब था। key-value retrieval में उसे जोड़ियों की लंबी सूची में एक वैल्यू ढूँढनी थी। शोधकर्ताओं ने बदल-बदलकर देखा कि काम की चीज़ कहाँ रखी है।

उनका नतीजा: प्रदर्शन “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.” (अनुवाद: अक्सर तब सबसे अच्छा होता है जब काम की जानकारी इनपुट context की शुरुआत या अंत में हो, और काफ़ी गिर जाता है जब मॉडल को लंबे context के बीच की जानकारी तक पहुँचना हो, साफ़ तौर पर लंबे context के लिए बने मॉडल में भी।) position के हिसाब से प्लॉट करें, तो सटीकता U का आकार बनाती है।

व्यावहारिक मतलब सीधा है। लंबी [context window](https://broadrouter.com/hi/glossary/context-window/) बताती है कि मॉडल कितना लेता है, यह नहीं कि वह उसे कितनी बराबरी से इस्तेमाल करता है।

## यह क्यों मायने रखता है

-   **RAG में क्रम.** [Retrieval-augmented generation](https://broadrouter.com/hi/glossary/rag/) में retriever passages को रैंक करता है। अगर आप सबसे अच्छे को 20 के बीच में रख देते हैं, तो रैंकिंग बेकार गई। उसे पहले रखें, या पहले और आख़िर दोनों में।
-   **लंबे डॉक्यूमेंट.** 80 पन्नों में से पन्ना 40 के किसी क्लॉज़ के बारे में पूछना पन्ना 1 के बारे में पूछने से कठिन है। मॉडल को सेक्शन की ओर इशारा करें, या पहले उसे निकाल लें।
-   **Agents.** किसी लंबी [agent](https://broadrouter.com/hi/glossary/agent/) हिस्ट्री में शुरुआती निर्देश और आख़िरी टर्न पर ध्यान जाता है; रन के बीच का टूल आउटपुट वह हिस्सा है जिसके कम इस्तेमाल होने की सबसे ज़्यादा संभावना है।

Lost in the middle एक बड़े असर, [context rot](https://broadrouter.com/hi/glossary/context-rot/), का एक हिस्सा है, जिसमें सटीकता सिर्फ़ position से नहीं, बल्कि लंबाई और ध्यान भटकाने वाली चीज़ों से भी घटती है।

## BroadNet Inference पर

BroadNet के DeepSeek V4.1 Flash और GLM 5.3 प्रति अनुरोध 1,048,576 टोकन तक लेते हैं। इससे position की अहमियत घटती नहीं, बढ़ती है, क्योंकि बीच का हिस्सा और बड़ा हो जाता है। एक लेआउट जो position के असर और [cached input](https://broadrouter.com/hi/glossary/cached-input-tokens/) दोनों के साथ काम करता है:

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

[1M टोकन context गाइड](https://broadrouter.com/hi/blog/million-token-context-window-guide/) और [कैशिंग के लिए प्रॉम्प्ट का ढाँचा](https://broadrouter.com/hi/blog/prompt-structure-for-caching/) इसमें और आगे जाते हैं।

## अक्सर पूछे जाने वाले सवाल

### क्या नए लंबे context वाले मॉडल भी बीच में खो जाते हैं?

मूल स्टडी ने यह गिरावट लंबे context के लिए बने मॉडल में भी पाई। Chroma की 2025 की context rot रिपोर्ट जैसे बाद के काम में भी लंबाई के साथ सटीकता घटती दिखती है। अपने मॉडल और प्रॉम्प्ट लेआउट को टेस्ट करें।

### प्रॉम्प्ट में सबसे अहम डॉक्यूमेंट कहाँ रखूँ?

शुरुआत या अंत के पास, बीच में दबाकर नहीं। RAG के लिए सबसे ऊँची रैंक वाला passage पहले रखें और डॉक्यूमेंट के बाद सवाल दोबारा लिखें।

### क्या यह prompt caching से टकराता है?

टकरा सकता है। Caching स्थिर prefix को तरजीह देती है, जबकि position का असर सबसे काम के टेक्स्ट को किनारों के पास चाहता है। स्थिर निर्देश पहले रखें, और सवाल व अहम passages अंत में।

## यह भी देखें

-   [कॉन्टेक्स्ट विंडो (context window)](https://broadrouter.com/hi/glossary/context-window/) (शब्द)
-   [कॉन्टेक्स्ट रॉट (context rot)](https://broadrouter.com/hi/glossary/context-rot/) (शब्द)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/hi/glossary/rag/) (शब्द)
-   [सिस्टम प्रॉम्प्ट (system prompt)](https://broadrouter.com/hi/glossary/system-prompt/) (शब्द)
-   [कैश्ड इनपुट टोकन (cached input tokens)](https://broadrouter.com/hi/glossary/cached-input-tokens/) (शब्द)
-   [1M-टोकन कॉन्टेक्स्ट विंडो कब फ़ायदेमंद है (और कब नहीं)](https://broadrouter.com/hi/blog/million-token-context-window-guide/) (लेख)
-   [लॉन्ग कॉन्टेक्स्ट बनाम RAG: कब 1M टोकन वेक्टर DB की जगह लेते हैं](https://broadrouter.com/hi/blog/long-context-vs-rag/) (लेख)
-   [प्रॉम्प्ट को कैसे बनाएँ ताकि प्रीफ़िक्स कैश हो](https://broadrouter.com/hi/blog/prompt-structure-for-caching/) (लेख)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

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

**स्रोत**

-   [Liu और साथी, Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Hong, Troynikov और Huber, Context Rot (Chroma तकनीकी रिपोर्ट, 2025)](https://www.trychroma.com/research/context-rot)
-   [BroadNet Inference API रेफ़रंस, मॉडल ID और context (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-glossary-lost-in-the-middle&utm_content=sources#models)
