Xanela de contexto: que é e como afecta ao uso diario da IA
Unha guía sobre a xanela de contexto nos modelos de IA: como se mide en tokens, que a enche durante unha conversa, que tamaño ten nos modelos actuais, que pasa cando unha conversa supera o límite e hábitos diarios para traballar dentro dela.

Unha xanela de contexto é a cantidade de texto coa que un modelo de IA pode traballar dunha vez. Esta guía explica que a enche, que tamaño ten nos modelos actuais e como traballar dentro dos seus límites no día a día.
Que é unha xanela de contexto
Unha xanela de contexto é o límite de canto texto pode manexar un modelo de IA dunha vez. O límite abrangue o texto que entra, como unha pregunta e calquera documento anexo, e a resposta que sae. Se algo non cabe na xanela, o modelo non pode velo nin usalo ao responder.
A xanela de contexto é independente do que un modelo aprendeu durante o adestramento. O adestramento ten lugar antes de que se publique un modelo, cun corpus de texto moi grande, e dálle ao modelo o seu coñecemento xeral e as súas habilidades lingüísticas. A xanela de contexto contén só o material da tarefa que ten diante.
O propio modelo de IA non lembra as mensaxes anteriores. A aplicación na que se executa, como Perplexity ou ChatGPT, garda a conversa. Con cada nova mensaxe, a aplicación envíalle ao modelo toda a conversa ata ese momento, non só a última mensaxe. O modelo vólvea ler enteira antes de responder, e esa resposta pasa a formar parte do que se envía a vez seguinte. O espazo que ocupa unha conversa na xanela medra con cada intercambio, polo que un chat longo feito de mensaxes curtas pode ocupar igualmente moito espazo.
Como se mide unha xanela de contexto
Cada mensaxe, documento e resposta dunha conversa ocupa espazo na xanela. O espazo dispoñible mídese en tokens, non nun número determinado de palabras ou páxinas.
Un token é un fragmento de texto que o modelo trata como unha única unidade. Pode ser unha palabra curta, parte dunha palabra máis longa, un signo de puntuación ou unha palabra co espazo que a precede. 100 tokens equivalen a unhas 75 palabras, segundo OpenAI. Con esa estimación aproximada para o inglés, un informe de 3000 palabras tería uns 4000 tokens.
Antes de que un modelo lea nada, unha ferramenta chamada tokenizador divide o texto en tokens e converte cada un nun número. O modelo procesa eses números, xera a súa resposta como unha secuencia de tokens e a ferramenta convérteos de novo en texto.
O número de tokens non está estandarizado. Depende da lingua e do contido. Os tokenizadores poden variar dun modelo a outro, polo que un mesmo parágrafo pode producir un número distinto de tokens en modelos diferentes.
Xanela de contexto fronte ás lembranzas gardadas
A xanela de contexto contén o que o modelo pode usar para responder á pregunta actual. Por exemplo, cando unha IA edita un informe, o informe, as instrucións de edición e as mensaxes intercambiadas mentres se traballa nel ocupan espazo na xanela.
As lembranzas gardadas conservan detalles seleccionados entre conversas. En Perplexity, a aplicación escolle automaticamente que gardar: busca preferencias e información importante e dálles máis peso aos detalles que aparecen con frecuencia. Unha instrución duradeira como «Usa o inglés británico en todo o que escriba» ilustra o tipo de detalle que paga a pena conservar, mentres que «Acurta este parágrafo» aplícase á tarefa concreta.
Cando a aplicación leva un deses detalles a unha nova conversa, este pasa a formar parte do contexto do modelo e ocupa espazo na xanela. En Perplexity, os controis da memoria están en Configuración → Memoria. Desactivar a memoria impide que se use en respostas futuras, pero non elimina os detalles xa gardados.
Que enche unha xanela de contexto durante unha conversa
Unha xanela de contexto contén moito máis que as palabras que escribe unha persoa. Nunha conversa típica, catro tipos de texto comparten o espazo: as instrucións da aplicación, o historial da conversa, o material procedente de ficheiros ou da web e a resposta do modelo. A maior parte nunca aparece na pantalla.
Instrucións da aplicación
Antes de que a mensaxe dunha persoa chegue ao modelo, a aplicación engade as súas propias instrucións (a miúdo chamadas prompt do sistema). Estas indícanlle ao modelo como comportarse: como dar formato ás respostas, que ton usar, que ferramentas pode empregar e detalles como a data de hoxe. Parte deste material, como as instrucións internas da aplicación, normalmente non se lle mostra ao usuario.
Historial da conversa
Isto inclúe as respostas anteriores do modelo e todas as mensaxes da persoa para a resposta actual. A miúdo, as respostas da IA son moito máis longas que as preguntas do usuario.
Ficheiros cargados, páxinas web e resultados de busca
O texto procedente de ficheiros usa espazo de contexto xunto coa conversa, pero unha aplicación pode proporcionar un ficheiro enteiro ou seleccionar as pasaxes relevantes. Por exemplo, Perplexity pode analizar ficheiros curtos completos e extraer as partes importantes dos ficheiros máis longos para responder á consulta.
Os resultados de busca tamén ocupan espazo. Por exemplo, para responder a unha consulta, Perplexity pode buscar na web e darlle ao modelo os resultados para que os lea.
A resposta e o razoamento do modelo
A resposta escríbese na mesma xanela, polo que a aplicación ten que deixarlle sitio. Algúns modelos tamén xeran un razoamento interno mentres elaboran unha resposta, que quizais a persoa nunca vexa. O texto de razoamento é o traballo paso a paso do modelo, como dividir unha pregunta en partes ou comprobar as súas propias cifras, escrito antes da resposta final. Normalmente tamén conta para o límite da xanela.
Tamaño da xanela de contexto nos modelos de IA actuais
Unha xanela de contexto máis grande significa que un modelo pode manexar documentos máis longos, máis fontes e conversas máis longas. Os principais modelos de OpenAI, Anthropic e Google ofrecen agora cada un unha xanela de arredor de 1 millón de tokens. Iso equivale a unhas 1500 páxinas de texto.
Modelo | Provedor | Xanela de contexto (tokens) |
GPT-6 Astra | OpenAI | 1,05 millóns |
Claude Opus 5.5 | Anthropic | 1 millón |
Gemini 4 Argon | 1.048.576 |
Especificacións das API dos provedores, consultadas o 5 de novembro de 2026. Os límites dispoñibles dentro dunha aplicación poden variar.
Unha xanela máis grande non significa que un modelo a aproveite toda igual de ben. As investigacións descubriron que o rendemento pode volverse menos fiable a medida que aumenta a lonxitude da entrada, un fenómeno coñecido como deterioración do contexto (context rot).
Límites de entrada e límites de saída
A xanela de contexto é un orzamento compartido para todo o que o modelo le e escribe. Un modelo pode ler moito máis do que pode escribir nunha soa resposta.
Ao procesar unha entrada, o modelo pode traballar con moitos tokens en paralelo. Ao xerar unha resposta, adoita producir os tokens en secuencia, usando o que veu antes para escoller o que vén despois. Non pode escoller a quinta palabra dunha oración ata coñecer as catro primeiras, así que ten que producir a resposta token a token.
Por iso, as respostas longas son moito máis lentas e caras de producir que as entradas longas de ler. Esa é a razón pola que unha solicitude para reescribir ou traducir un documento moi longo pode deterse a medias, e pola que funciona mellor pedir o resultado por seccións.
Que pasa cando unha conversa supera o límite
Cando unha conversa se fai demasiado grande para a xanela de contexto, a aplicación ten que facer sitio antes de que o modelo poida responder. As aplicacións fano de varias maneiras, e cada unha cambia o que o modelo aínda pode ver.
Unha opción é descartar primeiro as mensaxes máis antigas. O modelo segue traballando coa parte recente da conversa. As primeiras instrucións do usuario, decisións ou pasaxes de documentos poden quedar fóra da xanela. O modelo non pode referirse a un texto que xa non ten, pero non necesariamente lle dirá ao usuario que falta algo.
Outra opción é resumir a parte anterior da conversa e conservar o resumo no canto do texto completo. Esta é unha forma do que se coñece como compactación do contexto. Un resumo ocupa moito menos espazo, polo que a conversa pode durar moito máis. Porén, pode omitir detalles como cifras exactas, nomes ou formulacións.
Cando o modelo descartou ou compactou o seu contexto, pode comezar a pedir información que xa debería saber. Pode deixar de seguir de súpeto as instrucións dadas ao principio, como un formato ou un ton preferido. Pode contradicir unha decisión anterior do usuario ou volverse impreciso sobre a documentación compartida antes.
Algunhas aplicacións, en cambio, deteñen a conversa e pídenlle á persoa que inicie unha nova, ou rexeitan unha mensaxe ou un ficheiro demasiado longo para caber.
Hábitos diarios para traballar dentro da xanela de contexto
- Abre un novo fío para cada nova tarefa: Por exemplo, revisa un informe na súa propia conversa, en lugar de engadilo a un fío existente sobre a planificación dun evento.
- Leva só o necesario: Cando unha tarefa parta dun traballo anterior, pídelle ao modelo que extraia os detalles confirmados e a redacción aprobada que se necesitan para a seguinte tarefa.
- Comparte só a información relevante: Por exemplo, para unha pregunta sobre como se seleccionaron os participantes dunha enquisa, proporciona a sección de metodoloxía e as notas de apoio en lugar do informe completo.
- Localiza a sección relevante antes de compartir un documento longo: Se un informe ou manual ten índice, compárteo primeiro. Pregúntalle ao modelo que seccións poden responder á pregunta e despois copia esas seccións na conversa.
- Revisa os documentos longos por partes: Divide un manual ou informe por política, capítulo ou tema. Usa fíos separados para revisións independentes, coas mesmas instrucións para cada unha.
- Pide as saídas longas por etapas: Para unha reescritura ou tradución extensa, pide unha sección de cada vez no mesmo fío. Indica a sección ou o intervalo de páxinas e comproba o resultado antes de pedirlle ao modelo que continúe.
- Establece unha lonxitude de resposta útil: Pide cinco conclusións, unha explicación breve ou unha táboa con columnas específicas. Evita pedir unha análise detallada cando abonde cunha resposta breve.
- Pide revisións específicas: Para cambiar un parágrafo dun borrador, pídelle ao modelo que reescriba só ese parágrafo. Especifica o que hai que cambiar en lugar de pedirlle que reproduza todo o borrador.
Como xestiona Perplexity o contexto
O contexto de Perplexity inclúe máis que a conversa. Tamén pode basearse en información atopada mediante a busca en tempo real, as preferencias gardadas e os ficheiros proporcionados para unha tarefa.
Para unha pregunta de investigación, a busca en tempo real proporciona material de orixe que o modelo pode usar para elaborar a súa resposta, con citas que mostran de onde procede a información. Por exemplo, preguntar por unha nova normativa pode achegar á tarefa información relevante da web sen ter que recompilar primeiro artigos e pegalos no chat.
As lembranzas gardadas achegan outro tipo de contexto: detalles relevantes de conversas anteriores, como preferencias de redacción ou información de fondo sobre un proxecto en curso. Perplexity recupera eses detalles ao responder, e a memoria funciona con todos os modelos que ofrece. Por tanto, unha preferencia gardada pode seguir dispoñible ao cambiar de modelo dentro de Perplexity.
Para o traballo que abrangue varias conversas, os proxectos manteñen xuntos os ficheiros e as instrucións, e as instrucións do proxecto aplícanse a cada consulta. O público, o propósito e os requisitos de redacción dun informe poden quedar no proxecto, mentres que a investigación e a redacción teñen lugar en fíos separados.
Consulta Primeiros pasos con Perplexity para obter orientación sobre como facer preguntas, traballar con ficheiros e ampliar as respostas con preguntas de seguimento.
Preguntas frecuentes
As imaxes contan para a xanela de contexto?
Si. As imaxes convértense en tokens que ocupan espazo xunto co texto. A cantidade de tokens depende de como as procese o modelo. Unha captura de pantalla ou unha páxina escaneada usa espazo de contexto aínda que o seu texto non se copiase no chat.
Unha xanela de contexto máis grande custa máis?
Non necesariamente. Unha xanela máis grande describe canto pode manexar un modelo, non canta desa capacidade usa unha tarefa.
Hai algunha maneira de ver canto da xanela de contexto usou unha conversa?
Ás veces. Algunhas aplicacións mostran un medidor de contexto que indica o chea que está a xanela. Un contador que mostra «mensaxes restantes» significa outra cousa: cantas solicitudes máis pode facer a conta, non canta información máis pode encaixar o modelo na conversa. Busca especificamente un medidor de contexto.
Pode alguén continuar unha conversa que lle compartiron?
Si. En Perplexity, calquera persoa pode ler unha conversa compartida e facer unha pregunta de seguimento. Esa pregunta inicia unha nova conversa na súa conta e deixa sen cambios a conversa orixinal.