Kontextusablak: mi ez, és hogyan befolyásolja az MI mindennapi használatát?
Útmutató az MI-modellek kontextusablakáról: hogyan mérik tokenekben, mi tölti ki egy beszélgetés során, mekkora a jelenlegi modellekben, mi történik, ha egy beszélgetés túllépi a korlátot, és milyen hétköznapi szokásokkal lehet a keretein belül dolgozni.

A kontextusablak az a szövegmennyiség, amellyel egy MI-modell egyszerre dolgozni tud. Ez az útmutató bemutatja, mi tölti ki, mekkora a jelenlegi modellekben, és hogyan lehet a mindennapokban a keretein belül dolgozni.
Mi az a kontextusablak?
A kontextusablak azt határozza meg, hogy egy MI-modell egyszerre legfeljebb mennyi szöveget tud kezelni. A korlát a bemenő szövegre – például egy kérdésre és a hozzá csatolt dokumentumokra – és a kimenő válaszra is vonatkozik. Ami nem fér bele az ablakba, azt a modell nem látja, és nem tudja felhasználni a válaszadáshoz.
A kontextusablak független attól, amit a modell a betanítás során megtanult. A betanítás a modell kiadása előtt zajlik egy nagyon nagy szövegkorpuszon, és ez adja a modell általános tudását és nyelvi készségeit. A kontextusablak csak az éppen aktuális feladathoz tartozó anyagot tartalmazza.
Maga az MI-modell nem emlékszik a korábbi üzenetekre. A beszélgetést az az alkalmazás menti, amelyben a modell fut, például a Perplexity vagy a ChatGPT. Minden új üzenetnél az alkalmazás az eddigi teljes beszélgetést elküldi a modellnek, nem csak a legutóbbi üzenetet. A modell a válasz előtt újra elolvassa az egészet, és ez a válasz is része lesz annak, amit az alkalmazás a következő alkalommal elküld. Egy beszélgetés helyfoglalása az ablakban minden üzenetváltással nő, így egy rövid üzenetekből álló hosszú csevegés is sok helyet foglalhat el.
Hogyan mérik a kontextusablakot?
A beszélgetésben minden üzenet, dokumentum és válasz helyet foglal az ablakban. A rendelkezésre álló helyet nem meghatározott számú szóban vagy oldalban, hanem tokenekben mérik.
A token egy olyan szövegrész, amelyet a modell egyetlen egységként kezel. Ez lehet egy rövid szó, egy hosszabb szó része, egy írásjel vagy egy szó az előtte álló szóközzel együtt. Az OpenAI szerint 100 token nagyjából 75 szónak felel meg. Ezt az angol nyelvre vonatkozó hozzávetőleges becslést alapul véve egy 3000 szavas jelentés körülbelül 4000 token lenne.
Mielőtt a modell bármit elolvasna, egy tokenizálónak nevezett eszköz tokenekre bontja a szöveget, és mindegyiket számmá alakítja. A modell ezeket a számokat dolgozza fel, a válaszát tokenek sorozataként állítja elő, az eszköz pedig visszaalakítja őket szöveggé.
A tokenszámok nem egységesek. A szám a nyelvtől és a tartalomtól függ. A tokenizálók modellenként eltérhetnek, így ugyanaz a bekezdés különböző modellekben eltérő számú tokent eredményezhet.
Kontextusablak kontra mentett emlék
A kontextusablak azt tartalmazza, amit a modell az aktuális kérdés megválaszolásához felhasználhat. Ha például egy MI egy jelentést szerkeszt, akkor a jelentés, a szerkesztési utasítások és a munka közben váltott üzenetek foglalnak helyet az ablakban.
A mentett emlék kiválasztott részleteket őriz meg a beszélgetések között. A Perplexityben az alkalmazás automatikusan választja ki, mit mentsen: preferenciákat és fontos információkat keres, és nagyobb súlyt ad a gyakran előkerülő részleteknek. Egy tartós utasítás, például a „Minden írásomban brit angolt használj” jól szemlélteti a megőrzésre érdemes részleteket, míg a „Rövidítsd le ezt a bekezdést” csak az éppen aktuális feladatra vonatkozik.
Amikor az alkalmazás ezek közül a részletek közül egyet egy új beszélgetésbe emel át, az a modell kontextusának részévé válik, és helyet foglal az ablakban. A Perplexityben a memóriabeállítások a Beállítások → Memória menüpontban találhatók. A memória kikapcsolása megakadályozza, hogy a jövőbeli válaszokban felhasználják, de a már mentett részleteket nem törli.
Mi tölti ki a kontextusablakot egy beszélgetés során?
A kontextusablak sokkal többet tartalmaz annál, amit valaki begépel. Egy átlagos beszélgetésben négyféle szöveg osztozik a helyen: az alkalmazás utasításai, a beszélgetési előzmények, a fájlokból vagy a webről behozott anyagok és a modell válasza. Ezek nagy része soha nem jelenik meg a képernyőn.
Az alkalmazás utasításai
Mielőtt a felhasználó üzenete eljutna a modellhez, az alkalmazás hozzáadja a saját utasításait (ezt gyakran rendszerpromptnak nevezik). Ezek mondják meg a modellnek, hogyan viselkedjen: hogyan formázza a válaszokat, milyen hangnemet használjon, milyen eszközöket vehet igénybe, és olyan részleteket is tartalmaznak, mint a mai dátum. Ennek az anyagnak egy részét, például az alkalmazás belső utasításait, a felhasználó általában nem látja.
Beszélgetési előzmények
Az aktuális válaszhoz ez a felhasználó összes üzenetét és a modell korábbi válaszait is tartalmazza. Az MI válaszai gyakran sokkal hosszabbak, mint a felhasználó kérdései.
Feltöltött fájlok, weboldalak és keresési találatok
A fájlokból behozott szöveg a beszélgetés mellett szintén kontextushelyet foglal, de az alkalmazás megadhatja a teljes fájlt, vagy kiválaszthatja belőle a releváns részeket. A Perplexity például a rövid fájlokat teljes egészében elemezni tudja, a hosszabb fájlokból pedig a fontos részeket emeli ki a kérdés megválaszolásához.
A keresési találatok is helyet foglalnak. A Perplexity például egy kérdés megválaszolásához kereshet a weben, és a találatokat átadhatja a modellnek elolvasásra.
A modell válasza és érvelése
A válasz ugyanabba az ablakba íródik, ezért az alkalmazásnak helyet kell hagynia neki. Egyes modellek a válasz kidolgozása közben belső érvelést is generálnak, amelyet a felhasználó talán soha nem lát. Az érvelési szöveg a modell lépésenkénti gondolatmenete – például egy kérdés részekre bontása vagy a saját számításainak ellenőrzése –, amelyet a végleges válasz előtt ír le. Ez általában szintén beleszámít az ablak korlátjába.
Kontextusablak-méretek a jelenlegi MI-modellekben
A nagyobb kontextusablak azt jelenti, hogy a modell hosszabb dokumentumokat, több forrást és hosszabb beszélgetéseket tud kezelni. Az OpenAI, az Anthropic és a Google vezető modelljei ma már egyaránt körülbelül 1 millió tokenes ablakot kínálnak. Ez nagyjából 1500 oldalnyi szöveg.
Modell | Szolgáltató | Kontextusablak (token) |
GPT-6 Astra | OpenAI | 1,05 millió |
Claude Opus 5.5 | Anthropic | 1 millió |
Gemini 4 Argon | 1 048 576 |
Forrás: a szolgáltatók API-specifikációi, ellenőrizve: 2026. november 5. Az alkalmazásokon belül elérhető korlátok eltérhetnek.
A nagyobb ablak nem jelenti azt, hogy a modell az egészét egyformán jól használja. Kutatások kimutatták, hogy a bemenet hosszának növekedésével a teljesítmény kevésbé megbízhatóvá válhat; ezt a jelenséget kontextusromlásnak (context rot) nevezik.
Bemeneti és kimeneti korlátok
A kontextusablak közös keret mindarra, amit a modell olvas és ír. Egy modell sokkal többet tud elolvasni, mint amennyit egyetlen válaszban meg tud írni.
A bemenet feldolgozásakor a modell sok tokennel tud párhuzamosan dolgozni. A válasz generálásakor viszont általában egymás után állítja elő a tokeneket, és a korábbiak alapján választja ki, mi következzen. Egy mondat ötödik szavát addig nem tudja kiválasztani, amíg nem ismeri az első négyet, ezért a választ tokenről tokenre kell előállítania.
Emiatt a hosszú válaszok előállítása sokkal lassabb és drágább, mint a hosszú bemenetek elolvasása. Ezért akadhat el félúton egy nagyon hosszú dokumentum átírására vagy lefordítására irányuló kérés, és ezért működik jobban, ha szakaszonként kérjük az eredményt.
Mi történik, ha egy beszélgetés túllépi a korlátot?
Ha egy beszélgetés túl nagy lesz a kontextusablakhoz, az alkalmazásnak helyet kell csinálnia, mielőtt a modell válaszolhatna. Az alkalmazások ezt többféleképpen oldják meg, és mindegyik módszer megváltoztatja, hogy a modell mit lát még.
Az egyik megoldás az, hogy először a legrégebbi üzenetek kerülnek ki. A modell a beszélgetés friss részével dolgozik tovább. A korai felhasználói utasítások, döntések vagy dokumentumrészletek kieshetnek az ablakból. A modell nem tud hivatkozni olyan szövegre, amely már nincs meg neki, de nem feltétlenül jelzi a felhasználónak, hogy valami hiányzik.
Egy másik megoldás, hogy az alkalmazás összefoglalja a beszélgetés korábbi részét, és a teljes szöveg helyett az összefoglalót tartja meg. Ez az úgynevezett kontextustömörítés egyik formája. Az összefoglaló sokkal kevesebb helyet foglal, így a beszélgetés jóval tovább folytatódhat. Ugyanakkor kimaradhatnak belőle olyan részletek, mint a pontos számok, nevek vagy megfogalmazások.
Ha a modell elvetette vagy tömörítette a kontextusát, előfordulhat, hogy olyan információkat kezd kérni, amelyeket már tudnia kellene. Hirtelen abbahagyhatja az elején kapott utasítások követését, például a formátumra vagy a kívánt hangnemre vonatkozókét. Ellentmondhat a felhasználó egy korábbi döntésének, vagy homályossá válhat a korábban megosztott dokumentációval kapcsolatban.
Egyes alkalmazások ehelyett leállítják a beszélgetést, és arra kérik a felhasználót, hogy kezdjen újat, vagy elutasítják az olyan üzenetet vagy fájlt, amely túl hosszú ahhoz, hogy beleférjen.
Hétköznapi szokások a kontextusablak keretein belüli munkához
- Indítsunk új szálat minden új feladathoz: Egy jelentést például külön beszélgetésben nézzünk át, ahelyett hogy egy rendezvény megtervezéséről szóló meglévő szálhoz adnánk hozzá.
- Csak azt vigyük tovább, amire szükség van: Ha egy feladat korábbi munkára épül, kérjük meg a modellt, hogy emelje ki a következő feladathoz szükséges, már megerősített részleteket és jóváhagyott megfogalmazásokat.
- Csak releváns információt osszunk meg: Ha például arra vagyunk kíváncsiak, hogyan választották ki egy felmérés résztvevőit, a teljes jelentés helyett a módszertani részt és a kapcsolódó jegyzeteket adjuk meg.
- Hosszú dokumentum megosztása előtt keressük meg a releváns részt: Ha egy jelentésnek vagy kézikönyvnek van tartalomjegyzéke, először azt osszuk meg. Kérdezzük meg a modellt, mely részek válaszolhatják meg valószínűleg a kérdést, majd másoljuk be ezeket a részeket a beszélgetésbe.
- A hosszú dokumentumokat részletekben nézzük át: Egy kézikönyvet vagy jelentést osszunk fel szabályzatok, fejezetek vagy témák szerint. Az egymástól független átnézésekhez használjunk külön szálakat, mindegyikben ugyanazokkal az utasításokkal.
- A hosszú kimeneteket szakaszokban kérjük: Egy terjedelmes átíráshoz vagy fordításhoz ugyanabban a szálban egyszerre egy szakaszt kérjünk. Nevezzük meg a szakaszt vagy az oldaltartományt, és ellenőrizzük az eredményt, mielőtt a modellt a folytatásra kérnénk.
- Adjunk meg hasznos válaszhosszt: Kérjünk öt megállapítást, egy rövid magyarázatot vagy egy meghatározott oszlopokból álló táblázatot. Ne kérjünk részletes elemzést, ha egy rövid válasz is elég.
- Kérjünk célzott módosításokat: Ha egy vázlatban egyetlen bekezdést szeretnénk módosítani, kérjük meg a modellt, hogy csak azt a bekezdést írja át. Adjuk meg, mit kell megváltoztatni, ahelyett hogy a teljes vázlat újbóli előállítását kérnénk.
Hogyan kezeli a kontextust a Perplexity?
A Perplexity kontextusa nem csak a beszélgetésből áll. Felhasználhatja az élő keresés során talált információkat, a mentett preferenciákat és a feladathoz megadott fájlokat is.
Kutatási kérdéseknél az élő keresés olyan forrásanyagot biztosít, amelyből a modell felépítheti a válaszát, a hivatkozások pedig megmutatják, honnan származnak az információk. Ha például egy új szabályozásról kérdezünk, a releváns webes információk úgy is bekerülhetnek a feladatba, hogy előtte nem kell cikkeket gyűjtenünk és bemásolnunk a csevegésbe.
A mentett emlék másfajta kontextust biztosít: a korábbi beszélgetésekből származó releváns részleteket, például írási preferenciákat vagy egy folyamatban lévő projekt hátterét. A Perplexity ezeket a részleteket a válaszadáskor előhívja, és a memória az általa kínált összes modellel működik. Így egy mentett preferencia akkor is elérhető maradhat, ha a Perplexityn belül modellt váltunk.
A több beszélgetésen átívelő munkához a projektek egy helyen tartják a fájlokat és az utasításokat, a projekt utasításai pedig minden kérdésre vonatkoznak. Egy jelentés célközönsége, célja és írási követelményei a projektben maradhatnak, miközben a kutatás és a vázlatírás külön szálakban zajlik.
Az Első lépések a Perplexityvel című útmutató további segítséget nyújt a kérdések feltevéséhez, a fájlokkal való munkához és ahhoz, hogyan építhetünk tovább a válaszokra követő kérdésekkel.
Gyakori kérdések
Beleszámítanak a képek a kontextusablakba?
Igen. A képek tokenekké alakulnak, amelyek a szöveg mellett foglalnak helyet. A tokenek mennyisége attól függ, hogyan dolgozza fel őket a modell. Egy képernyőkép vagy beszkennelt oldal akkor is foglal kontextushelyet, ha a szövegét nem másolták be a csevegésbe.
Többe kerül a nagyobb kontextusablak?
Nem feltétlenül. A nagyobb ablak azt írja le, hogy a modell mennyit képes kezelni, nem pedig azt, hogy egy feladat ebből a kapacitásból mennyit használ fel.
Meg lehet nézni, hogy egy beszélgetés a kontextusablak mekkora részét használta fel?
Néha igen. Egyes alkalmazások kontextusmérőt jelenítenek meg, amely azt mutatja, mennyire telt meg az ablak. A „hátralévő üzenetek” számát mutató számláló mást jelent: azt, hogy a fiók még hány kérést küldhet, nem pedig azt, hogy mennyi információ fér még bele a beszélgetésbe a modell számára. Kifejezetten kontextusmérőt érdemes keresni.
Folytathatja valaki a vele megosztott beszélgetést?
Igen. A Perplexityben az, akivel megosztottak egy beszélgetést, elolvashatja azt, és feltehet egy követő kérdést. Ez a kérdés új beszélgetést indít az illető fiókjában, az eredeti beszélgetés pedig változatlan marad.