# Lost in the Middle: por qué importa dónde aparece el documento con la respuesta

Lectura del artículo de TACL 2024: orden de documentos, resultados experimentales y diferencia entre recuperar una prueba y utilizarla al responder.

Source: https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position

INICIO / Noticias y análisis Noticias y análisis Lost in the Middle: por qué importa dónde aparece el documento con la respuesta Lectura del artículo de TACL 2024: orden de documentos, resultados experimentales y diferencia entre recuperar una prueba y utilizarla al responder. Inteligencia artificial 2026.11.12 publicado IPLEX 7 min de lectura Comparación conceptual: se mantiene el conjunto y se desplaza solo el documento que contiene la respuesta. Un asistente puede recibir la política correcta y aun así omitir la respuesta. Liu y sus colaboradores cambiaron la posición del documento con la respuesta manteniendo la pregunta y el conjunto documental, y observaron un peor aprovechamiento de la información central en varios modelos evaluados. Un caso ficticio de gastos de viaje permite estudiar cantidad y orden por separado. Recibir información no garantiza utilizarla Supongamos que una persona pregunta qué debe adjuntar para recuperar el importe de un billete de tren. La búsqueda devuelve la política de gastos junto con procedimientos de autorización y contabilidad, pero el asistente explica otro trámite. Antes de añadir documentos conviene revisar la entrada real. El contexto de entrada reúne instrucciones, pregunta y referencias. La ventana de contexto limita el número de tokens, las unidades en que el modelo divide el texto. Una mayor capacidad no demuestra que aproveche por igual toda la información recibida. El análisis sigue la versión final de Lost in the Middle, de Nelson F. Liu y colaboradores, publicada en Transactions of the Association for Computational Linguistics en 2024. Cambiar la posición sin cambiar las pruebas El experimento controlado utilizó 2.655 preguntas de NaturalQuestions-Open respondibles mediante párrafos de Wikipedia. Cada entrada contenía un pasaje con la respuesta y documentos recuperados relacionados, pero sin ninguna respuesta anotada. Estos distractores son más exigentes que un conjunto de textos completamente ajenos. Para evaluar la posición se desplazó el documento dentro del mismo conjunto. En las comparaciones de longitud se utilizaron 10, 20 o 30 documentos, variando los distractores. La respuesta esperada para cada pregunta no cambiaba. La exactitud se calculó según si la salida contenía alguna respuesta anotada. Es una medida de inclusión de la respuesta, no de atribución correcta a un pasaje; la calidad de las citas exige una evaluación propia. Una comparación ficticia sobre justificantes Imaginemos una empresa que exige el recibo del billete ferroviario para el reembolso. Se facilita esa política junto con reservas de salas, autorizaciones de viaje, plazos contables y contactos internos. Solo la política de justificantes contiene la respuesta. Se coloca el documento al principio, en medio y al final de tres entradas, conservando pregunta, instrucciones y restantes textos. La respuesta esperada siempre es «recibo del billete ferroviario». Se prueban las tres versiones con el modelo y la configuración del servicio. Si la posición central produce repetidamente una explicación de las autorizaciones, los registros señalan qué investigar. Un solo fallo no acredita un efecto sistemático: hacen falta comparaciones entre varias preguntas y pasajes de apoyo. El resultado con veinte documentos La figura 1 representa GPT-3.5-Turbo, versión 0613, con 20 documentos y unos 4.000 tokens. La lectura aproximada del gráfico da un 76 % al principio, un 54–55 % cerca del centro y un 63 % al final: la curva desciende y después se recupera. La tabla 1 indica un 56,1 % sin documentos y un 88,3 % con el único documento que contiene la respuesta. Algunas posiciones centrales quedaron por debajo de la referencia sin documentos. Entregar la prueba y aprovecharla correctamente son resultados diferentes. Las cifras corresponden a las preguntas, versiones y entradas del artículo. Las variantes ordinaria y 16K mostraron curvas parecidas con los mismos conjuntos de 10 y 20 documentos. No describen automáticamente los modelos actuales ni todas las aplicaciones de contexto largo. Búsqueda de claves y recuperación real Otra tarea consistió en devolver literalmente el valor asociado a una clave dentro de pares de identificadores aleatorios. Así se reducía la carga de interpretación del texto. Algunos modelos recuperaban los valores con fiabilidad; otros empeoraban con entradas largas o posiciones centrales. En la búsqueda real en Wikipedia no se garantizaba un único documento con respuesta: podía no haber ninguno o haber varios. Se midieron por separado la cobertura de la recuperación y la exactitud del modelo que respondía. Recuperar más documentos aumentaba la presencia de respuestas en el conjunto, pero la exactitud no crecía proporcionalmente. Conviene evaluar por separado la información añadida, su orden y la longitud total. Qué registrar en un buscador interno Conserve la pregunta, la prueba esperada y la lista exacta de documentos enviados con su orden. Si falta la prueba, revise consultas, índices o clasificación; si está presente pero no se utiliza, compare órdenes o pasajes repetidos bajo condiciones controladas. Incluya preguntas que necesiten varios documentos. Un plazo en una política y el justificante en otra deben mantenerse al reducir el contexto. Evalúe omisiones y corrección de las citas, además de número de documentos y posición. Para describir una aportación técnica en materia de patentes, documente reglas nuevas de ordenación, agrupación de pruebas interdependientes y contraste de citas con las fuentes. Mantener constantes pregunta y modelo facilita explicar qué modificación redujo cada fallo. Se conservan las indicaciones y formas originales; el contenido se explica en el texto. Los porcentajes pertenecen a los experimentos históricos del artículo; los valores leídos del gráfico son aproximados. La política empresarial es ficticia. Página oficial del artículo en TACL 2024 PDF de la versión publicada Historial de versiones de arXiv y v3 Cómo aborda Baidu los conflictos entre respuestas del modelo y conocimiento recuperado La patente de Google sobre comprensión documental: relacionar títulos, texto e imágenes mediante su disposición Consulte los proyectos de IA de IPLEX y los materiales para preparar una consulta sobre recuperación, orden de pruebas y fundamentación de respuestas. Conozca la experiencia de Yongduck Kim en IA Artículo original en Tistory Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos EN ESTA PÁGINA Recibir información no garantiza utilizarla Cambiar la posición sin cambiar las pruebas Una comparación ficticia sobre justificantes El resultado con veinte documentos Búsqueda de claves y recuperación real Qué registrar en un buscador interno HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente ActiveLLM: un modelo de lenguaje elige los 32 ejemplos que se etiquetarán ↗ Anterior Marcas en España: solicitud, prueba de uso y renovación ↗ Artículos relacionados Inteligencia artificial 2026.11.19 Embeddings Matryoshka para buscar imágenes: filtrar con un prefijo y reordenar con el vector completo Lectura práctica de Matryoshka Representation Learning, el entrenamiento de longitudes anidadas y los resultados de ImageNet-1K en NeurIPS 2022. ↗ Lea el artículo Inteligencia artificial 2026.11.18 La patente de subtítulos de ByteDance: transcripción por pistas y ajuste de intervalos superpuestos Análisis de US11837234B2, la selección de pistas de audio y los tiempos de los subtítulos, distinguiendo la patente de la ayuda pública de CapCut. ↗ Lea el artículo Inteligencia artificial 2026.11.17 Texto reconocido de Apple: del teléfono o la URL a la acción adecuada US12001642B2 conecta texto reconocido, coordenadas, tipos de datos e interacción del usuario con menús y acciones contextuales. ↗ Lea el artículo

- https://www.iplexlaw.co.kr/es
- https://www.iplexlaw.co.kr/es/blog/category/ai
- https://aclanthology.org/2024.tacl-1.9/
- https://aclanthology.org/2024.tacl-1.9.pdf
- https://arxiv.org/abs/2307.03172v3
- https://www.iplexlaw.co.kr/es/blog/baidu-rag-knowledge-conflict-resolution
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding
- https://www.iplexlaw.co.kr/es/ai-patents
- https://iplexlaw.tistory.com/23
- https://www.iplexlaw.co.kr/ko/blog/lost-in-the-middle-evidence-position
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-0
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-1
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-2
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-3
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-4
- https://www.iplexlaw.co.kr/es/blog/lost-in-the-middle-evidence-position#article-23-en-5
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog/activellm-few-shot-example-selection
- https://www.iplexlaw.co.kr/es/blog/spain-trademark-filing-guide
- https://www.iplexlaw.co.kr/es/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/es/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/es/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/es/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/es/blog/apple-recognized-text-contextual-actions
- https://www.iplexlaw.co.kr/es/blog/apple-recognized-text-contextual-actions
