证据高亮

在实际应用场景中，大型语言模型常常会遗漏关键信息，这被称为“Lost in the Middle”（迷失在中间）现象——即模型对位于输入中间位置的内容关注度显著不足。目前，主流的优化策略主要分为两大方向： 硬选择：先通过检索或裁剪提取相关片段，再将其输入模型。但这种方法可能导致对推理至关重要的上下文信息丢失。 软选择：利用摘要或压缩技术缩短输入文本长度。然而…