Lost in the Middleとは｜意味・定義・GEO対策における位置づけ
著者：吉田 清登（株式会社FID CMO / Genview PM）
公開日：
Lost in the Middle（ロスト・イン・ザ・ミドル）とは、LLMが長い入力コンテキストを利用する際、関連情報の位置によって回答性能が変化し、情報が中間付近にあると性能が低下する場合がある現象を指す研究上の知見です。
重要なのは、「長い情報を入力できること」と「その中の情報をどの位置でも同じように利用できること」は別だという点です。
GEO対策では、「Webページの中央にある情報はAIに読まれない」という意味ではありません。Lost in the Middleは、重要な定義・結論・事実を長文や大量の情報の中に埋没させない情報設計を考える際の参考知見として位置づけるのが適切です。
Lost in the Middleとは
Lost in the Middleは、LLM（大規模言語モデル）が長い入力コンテキストを処理・利用するとき、関連情報がコンテキスト内のどこに配置されているかによって性能が変化する現象です。
Nelson F. Liuらによる論文「Lost in the Middle: How Language Models Use Long Contexts」では、複数の言語モデルを対象に、multi-document question answeringやkey-value retrievalなどのタスクを用いて、関連情報の位置とモデル性能の関係が検証されました。
その結果、関連情報が入力コンテキストの先頭付近または末尾付近にある場合には比較的高い性能を示す一方、中間付近に配置された場合に性能が低下するパターンが確認されています。
概念的には、次のような傾向です。
- 先頭付近：比較的利用しやすい場合がある
- 中間付近：性能が低下する場合がある
- 末尾付近：比較的利用しやすい場合がある
ただし、これはすべてのLLM・タスク・入力条件で同じ程度に発生するという意味ではありません。影響の大きさは、モデル、タスク、コンテキストの長さや構成などによって異なります。
また、「中央の情報を完全に忘れる」という意味でもありません。Lost in the Middleは、長いコンテキスト内の情報位置によって、その情報を回答生成に利用する性能が変化し得ることを示した知見として理解するのが適切です。
Lost in the MiddleとContext Windowの関係
Lost in the Middleを理解するうえで重要なのが、Context Windowとの違いです。
Context Windowは、LLMが一度の処理で扱える入力範囲を表します。
たとえば、あるモデルが非常に長いContext Windowを持っている場合、その範囲までテキストを入力できることを意味します。
長い情報を入力できることと、その入力範囲のすべての情報を同じ性能で利用できることは別です。
Lost in the Middleの研究が示しているのは、まさにこの違いです。
そのため、Context Windowが長い ＝ 長い入力内のすべての情報を均一な精度で利用できるとは限りません。
長いContext Windowを利用できるモデルであっても、実際の情報利用性能は、情報の位置やタスク、入力構成などによって変化する可能性があります。
Lost in the MiddleとRAG・Retrievalの関係
Lost in the Middleは、Retrievalそのものの失敗とは分けて考える必要があります。
Retrievalとは、質問に関連する情報を検索・取得する処理です。
一方、RAGでは、Retrievalで取得した情報をLLMの入力コンテキストへ渡し、その情報を利用して回答を生成します。
概念的には、
質問 → Retrievalで関連情報を取得 → 取得した情報をLLMへ渡す → LLMが回答を生成
という流れです。
このとき、Retrievalによって正しい情報を取得できたとしても、LLMがその情報を入力コンテキストの中から同じ性能で利用できるとは限りません。
ここがLost in the Middleとの接点です。
- Retrieval：必要な情報を取得できたか
- Lost in the Middle：取得後、長い入力コンテキスト内の関連情報をLLMがどの程度利用できるか
したがって、Lost in the Middle ＝ Retrieval Failureではありません。
AI検索におけるRetrievalからLLMによる回答生成までの全体像は、AI検索の仕組みとは｜情報取得からLLMによる回答生成までで詳しく解説しています。
Webページの中央にある情報はAIに読まれにくいのか
ここはLost in the Middleについて特に誤解しやすい点です。
Liu et al.の研究が検証したのは、LLMへ与えられた入力コンテキスト内での関連情報の位置です。
WebページそのもののHTML上で、
- 冒頭
- 中盤
- 末尾
のどこに文章があるかを比較し、AIによる取得率や引用率を測定した研究ではありません。
AI検索やRAGでは、Webページの情報がそのまま全文・同じ順序でLLMへ渡されるとは限りません。
たとえば、
- 検索
- Retrieval
- Chunkへの分割
- ランキングや選別
- LLMへ渡すコンテキストの構成
などによって、元のWebページとは異なる形で情報が入力されることがあります。
「Webページの中央にある文章はAIに読まれない」と、Lost in the Middleから直接結論づけることはできません。
Webページ上の位置と、LLMへ実際に渡される入力コンテキスト上の位置は同じとは限らないためです。
GEO対策におけるLost in the Middleの位置づけ
GEO対策では、Lost in the Middleを情報設計を考えるための参考知見として位置づけるのが適切です。
原研究が、
「Webページでは重要情報を冒頭に置けばAI引用率が上がる」
と証明したわけではありません。
一方で、長い入力コンテキストでは関連情報の位置によってLLMの利用性能が変化する場合があるという知見から、実務では次のような点を考えることができます。
- 重要な定義や結論を、長い前置きの後ろに埋没させない
- 見出し直下で、そのセクションが何を伝えるのかを明確にする
- 長文コンテンツでも、セクションごとの論点を明確に分ける
- 重要な事実と補足説明を区別しやすい構造にする
- 必要以上に多数の異なるテーマを1か所へ詰め込まない
これは人間にとっての読みやすさにもつながります。
その実装方法の一つとして、見出しの直後などで結論を先に示すBLUF（Bottom Line Up Front）があります。
ただし、BLUFを実装すればLost in the Middleを防げる、あるいはAI引用が増えると保証されるわけではありません。
Lost in the Middleの研究知見を踏まえた、実務上検討しやすい情報設計の一つと捉えるのが適切です。
具体例：重要情報を長文に埋没させない
たとえば、自社サービスの特徴を説明するページを考えます。
| 配置 | コンテンツの例 | 情報設計上の特徴 |
|---|---|---|
| △ 分かりにくい構成 | 会社の歴史、市場背景、沿革などの説明が長く続き、中盤で初めて「このサービス独自の強み」が登場する | ページの重要な結論がどこにあるのか把握しにくい |
| ○ 明確な構成 | 見出し直下で「このサービスの独自の強み」を簡潔に示し、その後に背景・根拠・事例を説明する | 重要情報と詳細説明の関係が明確 |
ポイントは、「中央には情報を書かない」ことではありません。
最も伝えたい事実や結論が、長い説明の中に埋もれて分かりにくくならないようにすることが重要です。
これはLost in the Middleだけを理由にしたルールではなく、人間とAIの双方がコンテンツの論点を理解しやすくするための情報設計として考えるものです。
Genviewによる定義
Lost in the Middleとは、LLMが長い入力コンテキストを利用する際、関連情報の位置によって性能が変化することがあるという研究知見であり、GEOでは重要情報を長文や大量の情報の中に埋没させない情報設計を考える際の参考事項です。
この位置づけは、Lost in the Middleの原研究そのものの定義と、GEO実務への応用を区別するためのGenviewの整理です。
原研究が、
- Webページ上の情報配置
- BLUF
- Chunking
- AI引用率
- ブランド認識
の効果を直接検証したわけではありません。
そのため、Lost in the Middleを根拠に、「この書き方をすればAIに必ず引用される」と断定することはできません。
上位概念・関連語
Lost in the Middleは、LLMのLong Context利用を理解するための研究知見です。
関連する基礎概念
- LLM（大規模言語モデル）：Lost in the Middleが観測される対象となる言語モデルについて理解するための基礎概念です。
- Context Window：LLMが一度に扱える入力範囲。長いContext Windowと、その全域を均一な性能で利用できることは同じではありません。
関連するAI検索・RAGの概念
- Retrieval：質問に関連する情報を検索・取得する処理。Lost in the MiddleはRetrieval Failureそのものではありません。
- RAG：取得した外部情報をLLMによる回答生成へ利用する仕組み。取得後に複数の情報が長い入力コンテキストとしてLLMへ渡される場合、Lost in the Middleの知見と関連します。
- Chunk：RAGなどで文書を分割して扱う単位。ChunkingだけでLost in the Middleを解消できるとは限りません。
関連するコンテンツ設計
- BLUF（Bottom Line Up Front）：結論を先に示す文章構造の原則。Lost in the Middleの研究で効果が直接証明された対策ではありませんが、重要情報を長い説明に埋没させない実務的な設計方法の一つです。
Lost in the Middleについてよくある誤解
誤解①：「長文なら中央の情報はAIに読まれない」
正確ではありません。
Lost in the Middleは、長い入力コンテキストの中で関連情報の位置によってモデル性能が変化する場合があることを示した研究知見です。
中央の情報が必ず無視される、あるいは利用できなくなるという意味ではありません。
また、Webページ上の位置とLLM入力上の位置も同一ではありません。
誤解②：「最新のLLMならLost in the Middleは考えなくてよい」
これも単純化しすぎです。
LLMの長文処理能力やContext Windowは改善されていますが、長いContext Windowを扱えることだけで、その範囲内のすべての情報を均一な性能で利用できることが保証されるわけではありません。
性能はモデル、タスク、入力の長さや構成などによって異なります。
誤解③：「Context Windowが長ければ、どこに情報を置いても同じ」
Context Windowは、基本的にはモデルが扱える入力範囲を表すものです。
その範囲内に情報を入力できることと、その情報をどの位置でも同じ性能で利用できることは別です。
Lost in the Middleは、この違いを理解するうえで重要な研究知見です。
誤解④：「BLUFやChunkingを使えばLost in the Middleを防げる」
BLUFやChunkingは、情報構造やRAG設計を考えるうえで有用な手法ですが、それだけでLost in the Middleを防止・解消できると保証されたものではありません。
Lost in the Middleはモデル・タスク・入力条件など複数の条件と関係するため、単一の施策で解決できるものとして扱うべきではありません。
よくある質問
Lost in the Middleはすべての生成AIで発生しますか？
すべての生成AI・すべての条件で同じ程度に発生するとは限りません。Liu et al.の研究では複数の言語モデルとタスクで位置による性能差が確認されましたが、影響の程度はモデル、タスク、コンテキストの長さや構成などによって異なります。
Context Windowが長ければLost in the Middleは起こりませんか？
そうとは限りません。Context Windowが長いことは、長い入力を扱えることを意味しますが、その入力範囲内のすべての情報を同じ性能で利用できることを保証するものではありません。
Lost in the MiddleとRAGのRetrievalはどう関係しますか？
Lost in the Middleは、Retrievalが関連情報を取得できない現象ではありません。RAGなどで取得された情報がLLMの入力コンテキストへ渡された後、その中の関連情報をLLMがどの程度利用できるかという段階で関係します。そのため、Retrievalに成功していても、回答生成時に取得情報が十分利用されるとは限りません。
GEOではLost in the Middleをどう考えればよいですか？
「Webページ中央の情報はAIに読まれない」というルールとして扱うべきではありません。重要な定義・結論・事実を長い説明の中に埋没させず、見出し直下などで論点を明確にするための参考知見として活用できます。BLUFなども実務的な設計方法の一つですが、それによってAI引用や推薦が保証されるわけではありません。
まとめ
Lost in the Middleは、LLMが長い入力コンテキストを利用する際、関連情報の位置によって回答性能が変化し、中間付近にある情報を利用する性能が低下する場合があることを示した研究知見です。
この知見から特に重要なのは、
- 長いContext Windowを持つこと
- その入力範囲の情報を均一な性能で利用できること
は別だという点です。
また、Lost in the MiddleはRetrieval Failureそのものではなく、RAGなどで情報を取得した後、その情報をLLMが入力コンテキスト内で利用する段階と関係します。
GEOでは、「ページ中央に情報を書かない」という単純なルールではなく、重要な定義・結論・事実を長文の中に埋没させず、情報の意味と役割を明確にするための参考知見として捉えるのが適切です。
参考文献・参考ページ
外部参考ページ
- Liu et al.「Lost in the Middle: How Language Models Use Long Contexts」
- Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」