Gold Panning: позиционное смещение LLM как инструмент, а не помеха

Парадокс: Позиционное смещение LLM (склонность выбирать информацию по месту в контексте, а не по релевантности) обычно считалось проблемой. Gold Panning превращает его в инструмент. Метод позволяет находить релевантные документы среди десятков или сотен с минимумом запросов к модели — вместо случайного перемешивания или полного перебора. Разные позиции в контексте работают как детекторы разной точности: начало и конец легко замечают релевантный контент (высокий уровень обнаружения), середина редко ошибается с нерелевантным (низкий уровень ложных срабатываний). Алгоритм калибрует эти параметры один раз, затем стратегически размещает самые неопределённые документы в самые информативные позиции — 7-20 итераций вместо сотен случайных перестановок.