bitcoin
bitcoin

$64664.071539 USD

0.52%

ethereum
ethereum

$1814.556022 USD

1.43%

tether
tether

$0.999058 USD

-0.05%

bnb
bnb

$592.509741 USD

0.45%

usd-coin
usd-coin

$0.999719 USD

-0.02%

xrp
xrp

$0.955927 USD

0.06%

solana
solana

$71.195655 USD

1.32%

tron
tron

$0.302421 USD

-1.49%

hyperliquid
hyperliquid

$66.391474 USD

1.73%

zcash
zcash

$889.907512 USD

-0.58%

dogecoin
dogecoin

$0.058879 USD

2.01%

monero
monero

$484.283896 USD

-1.28%

unus-sed-leo
unus-sed-leo

$9.204966 USD

0.91%

chainlink
chainlink

$9.139116 USD

0.59%

cardano
cardano

$0.152813 USD

1.96%

Vidéo d’actualité sur les crypto-monnaies

Pourquoi l’intelligence artificielle manque-t-elle le milieu d’un long document ? (Fenêtre contextuelle) | Série de base 11

Nov 08, 2026 at 11:30 pm bakbilgi

De la série de base : fenêtre contextuelle. Un modèle de langage ne peut regarder que ce qu'il y a à l'intérieur de sa fenêtre lors de la rédaction d'une réponse ; Aujourd’hui, dans les modèles les plus puissants, cette fenêtre est d’environ un million de tokens. Alors, le modèle utilise-t-il aussi bien tout ce qui entre dans la fenêtre ? Nous décrivons de quoi est faite la fenêtre, le coût de sa longueur et trois mesures : la courbe en U perdue dans le milieu (le succès chute lorsque la réponse est au milieu), la différence de longueur déclarée et effective de RULER, l'épingle sans correspondance de mots de NoLiMa. Ensuite, nous montrons le phénomène qu'Anthropic appelle « pourriture du contexte » et ses solutions (mettre la question à la fin, ne pas donner de jetons inutiles, compression, sous-agents) sur les propres pages des ressources. Chapitres 0:00 Ouverture : phrase du milieu 0:26 Qu'est-ce qu'une fenêtre contextuelle ? 0:54 Qu'est-ce qui entre dans la fenêtre ? 1:27 Quelle est la taille de la fenêtre ? 1:53 Le prix de la taille : n² et prix 2:44 Perdu au milieu : courbe en U 3:29 RÈGLE : longueur déclarée et effective 4:05 NoLiMa : sans correspondance de mot 4:46 Pourriture du contexte 5:06 Ce qui est fait : fin des questions 5:20 Agents : compression et sous-agents 5:56 Retour en haut du document Remarque : les tailles et prix des fenêtres sont au 30 octobre 2026. Cette vidéo est non affilié à Anthropic, Google, OpenAI, NVIDIA, Adobe ou aux auteurs des articles. Sources Anthropic, Fenêtres contextuelles : https://platform.claude.com/docs/en/build-with-claude/context-windows Anthropic, Ingénierie de contexte efficace pour les agents d'IA : https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents Anthropic, Aperçu des modèles (1 million de jetons ≈ 555 mille mots) : https://platform.claude.com/docs/en/models/overview Google, Contexte long (API Gemini) : https://ai.google.dev/gemini-api/docs/long-context Google, Carte modèle Gemini 4 Argon : https://ai.google.dev/gemini-api/docs/models/gemini-4-argon OpenAI, GPT-5.6 Gauche (fenêtre de contexte et règle de prix de 272K) : https://developers.openai.com/api/docs/models/gpt-5.6 Liu et al., « Perdu au milieu : comment les modèles de langage utilisent des contextes longs » (TACL) : https://arxiv.org/abs/2307.03172 Hsieh et al., « RÈGLE : quelle est la taille réelle du contexte de vos modèles de langage à contexte long ? (NVIDIA, COLM 2024) : https://arxiv.org/abs/2404.06654 Modarressi et al., « NoLiMa : Long-Context Evaluation Beyond Literal Matching » (Adobe Research, LMU Munich) : https://arxiv.org/abs/2502.05167
Source vidéo:Youtube

Clause de non-responsabilité:info@kdj.com

Les informations fournies ne constituent pas des conseils commerciaux. kdj.com n’assume aucune responsabilité pour les investissements effectués sur la base des informations fournies dans cet article. Les crypto-monnaies sont très volatiles et il est fortement recommandé d’investir avec prudence après une recherche approfondie!

Si vous pensez que le contenu utilisé sur ce site Web porte atteinte à vos droits d’auteur, veuillez nous contacter immédiatement (info@kdj.com) et nous le supprimerons dans les plus brefs délais.

Autres vidéos publiées sur Nov 16, 2026