Kontekstvindue: hvad det er, og hvordan det påvirker hverdagens brug af AI

En guide til kontekstvinduet i AI-modeller, der gennemgår, hvordan det måles i tokens, hvad der fylder det under en samtale, hvor stort det er i nuværende modeller, hvad der sker, når en samtale overskrider grænsen, og hverdagsvaner til at arbejde inden for det.

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.

Et kontekstvindue er den mængde tekst, en AI-model kan arbejde med på én gang. Denne guide gennemgår, hvad der fylder det, hvor stort det er i nuværende modeller, og hvordan du arbejder inden for det i hverdagen.

Hvad et kontekstvindue er

Et kontekstvindue er grænsen for, hvor meget tekst en AI-model kan håndtere på én gang. Grænsen omfatter både den tekst, der går ind, såsom et spørgsmål og et eventuelt vedhæftet dokument, og det svar, der kommer ud. Hvis noget ikke kan være i vinduet, kan modellen ikke se det eller bruge det, når den svarer.

Kontekstvinduet er adskilt fra det, en model har lært under træningen. Træningen foregår, før en model udgives, på en meget stor mængde tekst, og den giver modellen dens generelle viden og sproglige færdigheder. Kontekstvinduet indeholder kun materialet til den aktuelle opgave.

Selve AI-modellen husker ikke tidligere beskeder. Det er appen, den kører i, såsom Perplexity eller ChatGPT, der gemmer samtalen. Med hver ny besked sender appen hele samtalen indtil nu til modellen, ikke kun den seneste besked. Modellen læser det hele igen, før den svarer, og det svar bliver en del af det, der sendes næste gang. En samtales aftryk i vinduet vokser med hver udveksling, så en lang chat bestående af korte beskeder kan stadig fylde meget.

Sådan måles et kontekstvindue

Hver besked, hvert dokument og hvert svar i en samtale fylder i vinduet. Den tilgængelige plads måles i tokens snarere end i et bestemt antal ord eller sider.

Et token er et stykke tekst, som modellen behandler som én enhed. Det kan være et kort ord, en del af et længere ord, et tegnsætningstegn eller et ord med mellemrummet foran. Ifølge OpenAI svarer 100 tokens til ca. 75 ord. Ud fra dette omtrentlige skøn for engelsk ville en rapport på 3.000 ord fylde omkring 4.000 tokens.

Før en model læser noget, opdeler et værktøj kaldet en tokenizer teksten i tokens og omdanner hvert token til et tal. Modellen behandler disse tal og genererer sit svar som en sekvens af tokens, som værktøjet derefter omdanner tilbage til tekst.

Antallet af tokens er ikke standardiseret. Det afhænger af sproget og indholdet. Tokenizere kan variere fra model til model, så det samme afsnit kan give et forskelligt antal tokens i forskellige modeller.

Kontekstvindue vs. gemt erindring

Kontekstvinduet indeholder det, modellen kan bruge til at besvare det aktuelle spørgsmål. Når en AI for eksempel redigerer en rapport, fylder rapporten, redigeringsinstruktionerne og de beskeder, der udveksles undervejs, i vinduet.

Gemt erindring bevarer udvalgte detaljer mellem samtaler. I Perplexity vælger appen automatisk, hvad der skal gemmes. Den leder efter præferencer og vigtige oplysninger og lægger vægt på detaljer, der ofte går igen. En varig instruktion som »Brug britisk engelsk i alt, hvad jeg skriver« er et eksempel på den slags detalje, der er værd at bevare, mens »Gør dette afsnit kortere« kun gælder den aktuelle opgave.

Når appen tager en af disse detaljer med ind i en ny samtale, bliver den en del af modellens kontekst og fylder i vinduet. I Perplexity finder du indstillingerne for Hukommelse under Indstillinger → Hukommelse. Hvis du slår Hukommelse fra, bliver den ikke brugt i fremtidige svar, men allerede gemte detaljer slettes ikke.

Hvad der fylder et kontekstvindue under en samtale

Et kontekstvindue indeholder langt mere end de ord, en person skriver. I en typisk samtale deler fire slags tekst pladsen: instruktioner fra appen, samtalehistorikken, materiale hentet fra filer eller nettet og modellens svar. Det meste af det vises aldrig på skærmen.

Instruktioner fra appen

Før en persons besked når frem til modellen, tilføjer appen sine egne instruktioner (ofte kaldet en systemprompt). De fortæller modellen, hvordan den skal opføre sig: hvordan svarene skal formateres, hvilken tone den skal bruge, hvilke værktøjer den kan bruge, og detaljer som dagens dato. Noget af dette materiale, såsom appens interne instruktioner, vises normalt ikke for brugeren.

Samtalehistorik

Dette omfatter modellens tidligere svar samt alle personens beskeder til brug for det aktuelle svar. AI'ens svar er ofte meget længere end brugerens spørgsmål.

Uploadede filer, websider og søgeresultater

Tekst fra filer fylder i konteksten sammen med samtalen, men en app kan levere en hel fil eller udvælge relevante passager. Perplexity kan for eksempel analysere korte filer i deres helhed og udtrække vigtige dele fra længere filer for at besvare forespørgslen.

Søgeresultater fylder også. For at besvare en forespørgsel kan Perplexity for eksempel søge på nettet og give modellen resultaterne til gennemlæsning.

Modellens svar og ræsonnering

Svaret skrives i det samme vindue, så appen skal levne plads til det. Nogle modeller genererer også intern ræsonnering, mens de arbejder på et svar, som personen måske aldrig ser. Ræsonneringstekst er modellens trinvise arbejde, såsom at opdele et spørgsmål i dele eller kontrollere sine egne tal, skrevet ud før det endelige svar. Den tæller som regel også med i vinduets grænse.

Kontekstvinduers størrelse i nuværende AI-modeller

Et større kontekstvindue betyder, at en model kan håndtere længere dokumenter, flere kilder og længere samtaler. De førende modeller fra OpenAI, Anthropic og Google tilbyder nu hver især et vindue på omkring 1 million tokens. Det svarer til cirka 1.500 sider tekst.

Model

Udbyder

Kontekstvindue (tokens)

GPT-6 Astra

OpenAI

1,05 millioner

Claude Opus 5.5

Anthropic

1 million

Gemini 4 Argon

Google

1.048.576

Udbydernes API-specifikationer, kontrolleret 5. november 2026. De grænser, der er tilgængelige i en app, kan afvige.

Et større vindue betyder ikke, at en model udnytter det hele lige godt. Forskning har vist, at ydeevnen kan blive mindre pålidelig, efterhånden som inputtet bliver længere – et mønster kendt som kontekstforfald (context rot).

Inputgrænser og outputgrænser

Kontekstvinduet er et fælles budget for alt, hvad modellen læser og skriver. En model kan læse langt mere, end den kan skrive i ét svar.

Når modellen behandler et input, kan den arbejde med mange tokens parallelt. Når den genererer et svar, producerer den som regel tokens i rækkefølge og bruger det foregående til at vælge det næste. Den kan ikke vælge det femte ord i en sætning, før den kender de første fire, så den må producere svaret ét token ad gangen.

Det gør lange svar meget langsommere og dyrere at producere, end lange input er at læse. Derfor kan en anmodning om at omskrive eller oversætte et meget langt dokument stoppe halvvejs, og derfor fungerer det bedre at bede om resultatet i afsnit.

Hvad der sker, når en samtale overskrider grænsen

Når en samtale bliver for stor til kontekstvinduet, skal appen skaffe plads, før modellen kan svare. Apps gør dette på forskellige måder, og hver af dem ændrer, hvad modellen stadig kan se.

Én tilgang er at fjerne de ældste beskeder først. Modellen arbejder videre med den seneste del af samtalen. Tidlige instruktioner fra brugeren, beslutninger eller passager fra dokumenter kan falde ud af vinduet. Modellen kan ikke henvise til tekst, den ikke længere har, men den fortæller ikke nødvendigvis brugeren, at noget mangler.

En anden tilgang er at opsummere den tidligere del af samtalen og beholde opsummeringen i stedet for den fulde tekst. Det er en form for det, der kaldes kontekstkomprimering (context compaction). En opsummering fylder langt mindre, så samtalen kan fortsætte meget længere. Den kan dog udelade detaljer som præcise tal, navne eller formuleringer.

Når modellen har fjernet eller komprimeret sin kontekst, kan den begynde at spørge efter oplysninger, den burde kende i forvejen. Den kan pludselig holde op med at følge instruktioner, der blev givet i starten, såsom et format eller en foretrukken tone. Den kan modsige en beslutning, brugeren har truffet tidligere, eller blive vag omkring dokumentation, der er blevet delt tidligere.

Nogle apps stopper i stedet samtalen og beder personen om at starte en ny, eller de afviser en besked eller fil, der er for lang til at kunne rummes.

Hverdagsvaner til at arbejde inden for kontekstvinduet

  • Start en ny tråd til hver ny opgave: Gennemgå for eksempel en rapport i sin egen samtale i stedet for at tilføje den til en eksisterende tråd om planlægning af et arrangement.
  • Tag kun det med, der er brug for: Når en opgave bygger videre på tidligere arbejde, så bed modellen om at trække de bekræftede detaljer og den godkendte formulering ud, som der er brug for til den næste opgave.
  • Del kun relevante oplysninger: Ved et spørgsmål om, hvordan deltagerne i en spørgeundersøgelse blev udvalgt, kan du for eksempel give metodeafsnittet og de tilhørende noter i stedet for hele rapporten.
  • Find det relevante afsnit, før du deler et langt dokument: Hvis en rapport eller håndbog har en indholdsfortegnelse, så del den først. Spørg modellen, hvilke afsnit der sandsynligvis besvarer spørgsmålet, og kopiér derefter disse afsnit ind i samtalen.
  • Gennemgå lange dokumenter i dele: Opdel en håndbog eller rapport efter politik, kapitel eller emne. Brug separate tråde til uafhængige gennemgange med de samme instruktioner til hver.
  • Bed om lange output i etaper: Ved en omfattende omskrivning eller oversættelse kan du bede om ét afsnit ad gangen i den samme tråd. Angiv afsnittet eller sideintervallet, og tjek resultatet, før du beder modellen om at fortsætte.
  • Fastsæt en passende svarlængde: Bed om fem resultater, en kort forklaring eller en tabel med bestemte kolonner. Undgå at bede om en detaljeret analyse, når et kort svar er nok.
  • Bed om målrettede ændringer: Hvis du vil ændre ét afsnit i et udkast, så bed modellen om kun at omskrive det afsnit. Angiv, hvad der skal ændres, i stedet for at bede den om at gengive hele udkastet.

Sådan håndterer Perplexity kontekst

Perplexitys kontekst omfatter mere end samtalen. Den kan også trække på oplysninger fundet via live-søgning, gemte præferencer og filer, der er leveret til en opgave.

Ved spørgsmål, der kræver research, leverer live-søgning kildemateriale, som modellen kan bruge til at opbygge sit svar, med kildehenvisninger, der viser, hvor oplysningerne stammer fra. Hvis du for eksempel spørger om en ny regulering, kan relevante oplysninger fra nettet blive hentet ind i opgaven, uden at du først skal indsamle artikler og indsætte dem i chatten.

Gemt erindring leverer en anden slags kontekst: relevante detaljer fra tidligere samtaler, såsom skrivepræferencer eller baggrundsviden om et igangværende projekt. Perplexity henter disse detaljer, når den svarer, og Hukommelse fungerer på tværs af de modeller, Perplexity tilbyder. En gemt præference kan derfor forblive tilgængelig, når du skifter model i Perplexity.

Ved arbejde, der strækker sig over flere samtaler, samler projekter filer og instruktioner, og projektinstruktioner gælder for hver forespørgsel. En rapports målgruppe, formål og skrivekrav kan forblive i projektet, mens research og udkast foregår i separate tråde.

Læs Kom godt i gang med Perplexity for at få vejledning i at stille spørgsmål, arbejde med filer og bygge videre på svar med opfølgende forespørgsler.

Ofte stillede spørgsmål

Tæller billeder med i et kontekstvindue?

Ja. Billeder omdannes til tokens, der fylder sammen med teksten. Antallet af tokens afhænger af, hvordan modellen behandler dem. Et skærmbillede eller en scannet side bruger plads i konteksten, selv når teksten ikke er kopieret ind i chatten.

Koster et større kontekstvindue mere?

Ikke nødvendigvis. Et større vindue beskriver, hvor meget en model kan håndtere, ikke hvor meget af den kapacitet en opgave bruger.

Kan man se, hvor meget af kontekstvinduet en samtale har brugt?

Nogle gange. Nogle apps viser en kontekstmåler, der angiver, hvor fyldt vinduet er. En tæller, der viser »resterende beskeder«, betyder noget andet: hvor mange flere anmodninger kontoen kan foretage, ikke hvor mange oplysninger modellen stadig kan få plads til i samtalen. Se specifikt efter en kontekstmåler.

Kan andre fortsætte en samtale, der er blevet delt med dem?

Ja. I Perplexity kan man læse en delt samtale og stille et opfølgende spørgsmål. Spørgsmålet starter en ny samtale på vedkommendes egen konto, og den oprindelige samtale forbliver uændret.