| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 15 | 16 | 17 | 18 | 19 | 20 | 21 |
| 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 29 | 30 | 31 |
Tags
- test-time scaling
- BLEU
- attention
- re-ranking
- PEFT
- MQA
- rotary position embedding
- 트랜스포머
- transformer
- chain-of-thought
- RLHF
- Positional Encoding
- reinforcement learning from human feedback
- self-attention
- SK AI SUMMIT 2025
- model context protocol
- extended thinking
- Embedding
- CoT
- catastrophic forgetting
- fréchet inception distance
- flashattention
- langgraph
- Multi-Head Attention
- MHA
- Engineering at Anthropic
- gqa
- context engineering
- Langchain
- 토크나이저
Archives
- Today
- Total
목록retriever (1)
AI Engineer 공간 "사부작 사부작"
Lost in the Middle: LLM은 왜 긴 글의 중간을 기억하지 못할까?
Lost in the Middle: LLM은 왜 긴 글의 중간을 기억하지 못할까?대규모 언어 모델(LLM) 기반의 챗봇에게 긴 보고서나 여러 문서를 주고 요약을 요청했을 때, 어딘가 중요한 내용이 빠진 듯한 느낌을 받은 적이 있으신가요? 이는 단순히 모델의 실수가 아니라, 현재 LLM 기술이 가진 흥미로운 한계를 보여주는 현상입니다. LLM이 긴 문맥(Context)의 중간에 있는 정보를 제대로 활용하지 못하는 이 문제를 'Lost in the Middle' 이라고 부릅니다. 이 현상은 '건초더미에서 바늘 찾기(Needle-in-a-Haystack)'라는 유명한 테스트를 통해 널리 알려졌습니다. 이 테스트는 Paul Graham의 에세이들을 취합하여 최대 128K 토큰에 가까운 긴 문서를 준비하고, 문서..
Theory/Retrieval-Augmented Generation
2025. 6. 12. 08:17