Finestra de context: què és i com afecta l’ús quotidià de la IA

Una guia sobre la finestra de context dels models d’IA: com es mesura en tokens, què l’omple durant una conversa, quina mida té en els models actuals, què passa quan una conversa supera el límit i hàbits quotidians per treballar dins dels seus límits.

Diagram of a conversation growing over five messages: each new message resends all earlier messages and replies, so the total moves closer to the context window limit.

Una finestra de context és la quantitat de text amb què un model d’IA pot treballar alhora. Aquesta guia explica què l’omple, quina mida té en els models actuals i com treballar dins dels seus límits en el dia a dia.

Què és una finestra de context

Una finestra de context és el límit de quantitat de text que un model d’IA pot gestionar alhora. El límit inclou el text que hi entra, com ara una pregunta i qualsevol document adjunt, i la resposta que en surt. Si alguna cosa no cap a la finestra, el model no la pot veure ni fer servir per respondre.

La finestra de context és independent del que un model va aprendre durant l’entrenament. L’entrenament té lloc abans que es publiqui un model, a partir d’un volum molt gran de text, i li proporciona els coneixements generals i les habilitats lingüístiques. La finestra de context només conté el material de la tasca que té entre mans.

El model d’IA en si no recorda els missatges anteriors. L’aplicació on s’executa, com ara Perplexity o ChatGPT, desa la conversa. Amb cada missatge nou, l’aplicació envia al model tota la conversa fins aquell moment, no només el darrer missatge. El model ho torna a llegir tot abans de respondre, i aquesta resposta passa a formar part del que s’envia la vegada següent. L’espai que ocupa una conversa a la finestra creix amb cada intercanvi, de manera que un xat llarg fet de missatges curts també pot ocupar molt d’espai.

Com es mesura una finestra de context

Cada missatge, document i resposta d’una conversa ocupa espai a la finestra. L’espai disponible es mesura en tokens, no en un nombre determinat de paraules o pàgines.

Un token és un fragment de text que el model tracta com una sola unitat. Pot ser una paraula curta, part d’una paraula més llarga, un signe de puntuació o una paraula amb l’espai que la precedeix. 100 tokens equivalen a unes 75 paraules, segons OpenAI. Amb aquesta estimació aproximada per a l’anglès, un informe de 3.000 paraules tindria uns 4.000 tokens.

Abans que un model llegeixi res, una eina anomenada tokenitzador divideix el text en tokens i converteix cadascun en un número. El model processa aquests números, genera la resposta com una seqüència de tokens i l’eina els torna a convertir en text.

El recompte de tokens no està estandarditzat. Depèn de la llengua i del contingut. Els tokenitzadors poden variar d’un model a un altre, de manera que el mateix paràgraf pot generar un nombre diferent de tokens en models diferents.

Finestra de context enfront de memòria desada

La finestra de context conté allò que el model pot fer servir per respondre la pregunta actual. Per exemple, quan una IA edita un informe, l’informe, les instruccions d’edició i els missatges intercanviats mentre s’hi treballa ocupen espai a la finestra.

El record guardat conserva detalls seleccionats d’una conversa a una altra. A Perplexity, l’aplicació selecciona automàticament què cal desar: cerca preferències i informació important, i dona més pes als detalls que apareixen sovint. Una instrucció duradora com «Fes servir l’anglès britànic en tots els meus textos» il·lustra el tipus de detall que val la pena conservar, mentre que «Escurça aquest paràgraf» només s’aplica a la tasca del moment.

Quan l’aplicació incorpora un d’aquests detalls a una conversa nova, passa a formar part del context del model i ocupa espai a la finestra. A Perplexity, els controls de la memòria són a Configuració → Memòria. Desactivar la memòria fa que deixi d’utilitzar-se en respostes futures, però no elimina els detalls que ja s’han desat.

Què omple una finestra de context durant una conversa

Una finestra de context conté molt més que les paraules que escriu una persona. En una conversa típica, quatre tipus de text comparteixen l’espai: les instruccions de l’aplicació, l’historial de la conversa, el material procedent de fitxers o del web i la resposta del model. La major part no apareix mai a la pantalla.

Instruccions de l’aplicació

Abans que el missatge d’una persona arribi al model, l’aplicació hi afegeix les seves pròpies instruccions (sovint anomenades indicació del sistema o system prompt). Aquestes instruccions indiquen al model com s’ha de comportar: com ha de donar format a les respostes, quin to ha de fer servir, quines eines pot utilitzar i detalls com la data d’avui. Una part d’aquest material, com les instruccions internes de l’aplicació, normalment no es mostra a l’usuari.

Historial de la conversa

Inclou les respostes anteriors del model i tots els missatges de la persona per a la resposta actual. Sovint, les respostes de la IA són molt més llargues que les preguntes de l’usuari.

Fitxers penjats, pàgines web i resultats de cerca

El text procedent de fitxers ocupa espai de context juntament amb la conversa, però una aplicació pot proporcionar un fitxer sencer o seleccionar-ne els fragments rellevants. Per exemple, Perplexity pot analitzar sencers els fitxers curts i extreure les parts importants dels fitxers més llargs per respondre la consulta.

Els resultats de cerca també ocupen espai. Per exemple, per respondre una consulta, Perplexity pot cercar al web i donar els resultats al model perquè els llegeixi.

La resposta i el raonament del model

La resposta s’escriu a la mateixa finestra, de manera que l’aplicació hi ha de deixar espai. Alguns models també generen un raonament intern mentre elaboren una resposta, que la persona potser no veu mai. El text de raonament és el procés pas a pas del model, com ara dividir una pregunta en parts o comprovar les seves pròpies xifres, escrit abans de la resposta final. Normalment també compta per al límit de la finestra.

Mida de la finestra de context en els models d’IA actuals

Una finestra de context més gran permet que un model gestioni documents més llargs, més fonts i converses més llargues. Els models capdavanters d’OpenAI, Anthropic i Google ofereixen ara una finestra d’aproximadament 1 milió de tokens cadascun. Això equival a unes 1.500 pàgines de text.

Model

Proveïdor

Finestra de context (tokens)

GPT-6 Astra

OpenAI

1,05 milions

Claude Opus 5.5

Anthropic

1 milió

Gemini 4 Argon

Google

1.048.576

Especificacions de l’API dels proveïdors, consultades el 5 de novembre de 2026. Els límits disponibles dins d’una aplicació poden ser diferents.

Que una finestra sigui més gran no vol dir que el model la faci servir tota igual de bé. La recerca ha observat que el rendiment pot ser menys fiable a mesura que augmenta la longitud de l’entrada, un fenomen conegut com a degradació del context (context rot).

Límits d’entrada i límits de sortida

La finestra de context és un pressupost compartit per a tot el que el model llegeix i escriu. Un model pot llegir molt més del que pot escriure en una sola resposta.

Quan processa una entrada, el model pot treballar amb molts tokens en paral·lel. Quan genera una resposta, normalment produeix els tokens en seqüència i fa servir el que ha generat abans per triar el que ve després. No pot triar la cinquena paraula d’una frase fins que no coneix les quatre primeres, de manera que ha de produir la resposta token a token.

Això fa que produir respostes llargues sigui molt més lent i car que llegir entrades llargues. Per aquest motiu, una petició per reescriure o traduir un document molt llarg es pot aturar a mig camí, i demanar el resultat per seccions funciona millor.

Què passa quan una conversa supera el límit

Quan una conversa és massa gran per a la finestra de context, l’aplicació ha de fer lloc abans que el model pugui respondre. Les aplicacions ho fan de diverses maneres, i cadascuna canvia el que el model encara pot veure.

Una opció és eliminar primer els missatges més antics. El model continua treballant amb la part recent de la conversa. Les instruccions inicials de l’usuari, les decisions o els fragments de documents poden quedar fora de la finestra. El model no pot fer referència a text que ja no té, però no necessàriament avisarà l’usuari que falta alguna cosa.

Una altra opció és resumir la part anterior de la conversa i conservar el resum en lloc del text complet. Aquesta és una forma del que s’anomena compactació del context. Un resum ocupa molt menys espai, de manera que la conversa pot allargar-se molt més. Tanmateix, pot ometre detalls com xifres exactes, noms o formulacions.

Quan el model ha eliminat o compactat el context, pot començar a demanar informació que ja hauria de saber. Pot deixar de seguir de sobte les instruccions donades al principi, com ara un format o un to preferit. Pot contradir una decisió anterior de l’usuari o tornar-se imprecís sobre documentació compartida abans.

Algunes aplicacions, en canvi, aturen la conversa i demanen a la persona que en comenci una de nova, o rebutgen un missatge o un fitxer massa llarg per cabre-hi.

Hàbits quotidians per treballar dins de la finestra de context

  • Comenceu un fil nou per a cada tasca nova: per exemple, reviseu un informe en una conversa pròpia, en lloc d’afegir-lo a un fil existent sobre la planificació d’un esdeveniment.
  • Traslladeu només el que calgui: quan una tasca parteix de feina anterior, demaneu al model que extregui els detalls confirmats i la redacció aprovada que calen per a la tasca següent.
  • Compartiu només la informació rellevant: per exemple, per a una pregunta sobre com es van seleccionar els participants d’una enquesta, proporcioneu la secció de metodologia i les notes de suport en lloc de l’informe sencer.
  • Trobeu la secció rellevant abans de compartir un document llarg: si un informe o un manual té un índex, compartiu-lo primer. Pregunteu al model quines seccions és probable que responguin la pregunta i, després, copieu aquestes seccions a la conversa.
  • Reviseu els documents llargs per parts: dividiu un manual o un informe per política, capítol o tema. Feu servir fils separats per a revisions independents, amb les mateixes instruccions per a cadascun.
  • Demaneu els resultats llargs per etapes: per a una reescriptura o una traducció extensa, demaneu una secció cada vegada en el mateix fil. Indiqueu la secció o l’interval de pàgines i comproveu el resultat abans de demanar al model que continuï.
  • Establiu una longitud de resposta útil: demaneu cinc conclusions, una explicació breu o una taula amb columnes concretes. Eviteu demanar una anàlisi detallada quan n’hi hauria prou amb una resposta breu.
  • Demaneu revisions específiques: per canviar un paràgraf d’un esborrany, demaneu al model que reescrigui només aquest paràgraf. Especifiqueu què cal canviar en lloc de demanar-li que reprodueixi tot l’esborrany.

Com gestiona el context Perplexity

El context de Perplexity inclou més que la conversa. També pot recórrer a informació trobada mitjançant la cerca en temps real, preferències desades i fitxers proporcionats per a una tasca.

En una pregunta d’investigació, la cerca en temps real aporta material de referència que el model pot fer servir per elaborar la resposta, amb citacions que mostren d’on prové la informació. Per exemple, preguntar sobre una normativa nova pot incorporar a la tasca informació rellevant del web sense haver de recopilar primer articles i enganxar-los al xat.

El record guardat aporta un altre tipus de context: detalls rellevants de converses anteriors, com ara preferències d’escriptura o informació de fons sobre un projecte en curs. Perplexity recupera aquests detalls en respondre, i la memòria funciona amb tots els models que ofereix. Per tant, una preferència desada pot continuar disponible quan es canvia de model dins de Perplexity.

Per a la feina que abasta diverses converses, els projectes mantenen junts fitxers i instruccions, i les instruccions del projecte s’apliquen a cada consulta. El públic, l’objectiu i els requisits de redacció d’un informe es poden mantenir al projecte, mentre que la investigació i la redacció es fan en fils separats.

Consulteu Primers passos amb Perplexity per obtenir orientació sobre com fer preguntes, treballar amb fitxers i aprofundir en les respostes amb consultes de seguiment.

Preguntes freqüents

Les imatges compten per a la finestra de context?

Sí. Les imatges es converteixen en tokens que ocupen espai juntament amb el text. La quantitat de tokens depèn de com les processi el model. Una captura de pantalla o una pàgina escanejada ocupa espai de context encara que el text no s’hagi copiat al xat.

Una finestra de context més gran costa més?

No necessàriament. Una finestra més gran indica quant pot gestionar un model, no quina part d’aquesta capacitat fa servir una tasca.

Hi ha alguna manera de veure quina part de la finestra de context ha fet servir una conversa?

De vegades. Algunes aplicacions mostren un indicador de context que indica com de plena està la finestra. Un comptador que mostra «missatges restants» significa una altra cosa: quantes sol·licituds més pot fer el compte, no quanta informació més pot encabir el model a la conversa. Busqueu específicament un indicador de context.

Una persona pot continuar una conversa que s’ha compartit amb ella?

Sí. A Perplexity, qualsevol persona pot llegir una conversa compartida i fer una pregunta de seguiment. Aquesta pregunta inicia una conversa nova al seu compte, i la conversa original no canvia.