Konteksta logs: kas tas ir un kā tas ietekmē MI lietošanu ikdienā
Rokasgrāmata par konteksta logu MI modeļos: kā to mēra tokenos, kas to aizpilda sarunas laikā, cik liels tas ir mūsdienu modeļos, kas notiek, kad saruna pārsniedz ierobežojumu, un ikdienas paradumi darbam tā robežās.

Konteksta logs ir teksta apjoms, ar ko MI modelis var strādāt vienlaikus. Šajā rokasgrāmatā aplūkots, kas to aizpilda, cik liels tas ir mūsdienu modeļos un kā ar to strādāt ikdienā.
Kas ir konteksta logs
Konteksta logs ir ierobežojums tam, cik daudz teksta MI modelis var apstrādāt vienlaikus. Šis ierobežojums attiecas gan uz ievadīto tekstu, piemēram, jautājumu un tam pievienotu dokumentu, gan uz sniegto atbildi. Ja kaut kas logā neietilpst, modelis to neredz un nevar izmantot, sniedzot atbildi.
Konteksta logs ir nošķirts no tā, ko modelis apguva apmācības laikā. Apmācība notiek pirms modeļa izlaišanas, izmantojot ļoti lielu teksta apjomu, un tā sniedz modelim vispārējās zināšanas un valodas prasmes. Konteksta logā ir tikai materiāls konkrētajam uzdevumam.
Pats MI modelis iepriekšējās ziņas neatceras. Sarunu saglabā lietotne, kurā tas darbojas, piemēram, Perplexity vai ChatGPT. Ar katru jaunu ziņu lietotne nosūta modelim visu līdzšinējo sarunu, nevis tikai pēdējo ziņu. Pirms atbildes modelis to visu izlasa no jauna, un šī atbilde kļūst par daļu no tā, kas tiks nosūtīts nākamreiz. Sarunas aizņemtā vieta logā palielinās ar katru apmaiņu, tāpēc arī gara saruna, kas sastāv no īsām ziņām, var aizņemt daudz vietas.
Kā mēra konteksta logu
Katra ziņa, dokuments un atbilde sarunā aizņem vietu logā. Pieejamo vietu mēra tokenos, nevis noteiktā vārdu vai lappušu skaitā.
Tokens ir teksta fragments, ko modelis apstrādā kā vienu vienību. Tas var būt īss vārds, garāka vārda daļa, pieturzīme vai vārds kopā ar pirms tā esošo atstarpi. Saskaņā ar OpenAI datiem 100 tokeni ir aptuveni 75 vārdi. Pēc šī aptuvenā angļu valodai paredzētā novērtējuma 3000 vārdu ziņojums būtu aptuveni 4000 tokenu.
Pirms modelis kaut ko nolasa, rīks, ko sauc par tokenizatoru, sadala tekstu tokenos un katru no tiem pārvērš skaitlī. Modelis apstrādā šos skaitļus, ģenerē atbildi kā tokenu secību, un rīks tos atkal pārvērš tekstā.
Tokenu skaits nav standartizēts. Tas ir atkarīgs no valodas un satura. Dažādos modeļos tokenizatori var atšķirties, tāpēc viena un tā pati rindkopa dažādos modeļos var veidot atšķirīgu tokenu skaitu.
Konteksta logs un saglabāta atmiņa
Konteksta logā ir tas, ko modelis var izmantot, lai atbildētu uz pašreizējo jautājumu. Piemēram, kad MI rediģē ziņojumu, vietu logā aizņem pats ziņojums, rediģēšanas norādījumi un ziņas, ar kurām apmainās darba gaitā.
Saglabāta atmiņa saglabā atlasītas detaļas starp sarunām. Perplexity lietotne pati automātiski izvēlas, ko saglabāt, meklējot preferences un svarīgu informāciju un piešķirot lielāku nozīmi detaļām, kas parādās bieži. Ilgstošs norādījums, piemēram, „Visos manos tekstos izmanto britu angļu valodu”, ilustrē, kādu detaļu ir vērts paturēt, savukārt „Saīsini šo rindkopu” attiecas uz konkrēto uzdevumu.
Kad lietotne kādu no šīm detaļām ienes jaunā sarunā, tā kļūst par daļu no modeļa konteksta un aizņem vietu logā. Perplexity atmiņas iestatījumi atrodami sadaļā Iestatījumi → Atmiņa. Izslēdzot atmiņu, tā vairs netiek izmantota turpmākajās atbildēs, taču jau saglabātās detaļas netiek dzēstas.
Kas aizpilda konteksta logu sarunas laikā
Konteksta logā ir daudz vairāk nekā tikai cilvēka ierakstītie vārdi. Tipiskā sarunā šo vietu dala četri teksta veidi: lietotnes norādījumi, sarunas vēsture, no failiem vai tīmekļa ienests materiāls un modeļa atbilde. Lielākā daļa no tā ekrānā nekad neparādās.
Lietotnes norādījumi
Pirms cilvēka ziņa sasniedz modeli, lietotne pievieno savus norādījumus (bieži sauktus par sistēmas uzvedni). Tie nosaka, kā modelim rīkoties: kā formatēt atbildes, kādu toni izmantot, kurus rīkus tas drīkst lietot, kā arī tādas detaļas kā šodienas datums. Daļa šī materiāla, piemēram, lietotnes iekšējie norādījumi, lietotājam parasti netiek rādīta.
Sarunas vēsture
Tajā ietilpst gan modeļa iepriekšējās atbildes, gan visas cilvēka ziņas, kas attiecas uz pašreizējo atbildi. Bieži vien MI atbildes ir daudz garākas par lietotāja jautājumiem.
Augšupielādēti faili, tīmekļa lapas un meklēšanas rezultāti
No failiem ienests teksts aizņem konteksta vietu līdzās sarunai, taču lietotne var nodrošināt visu failu vai atlasīt atbilstošus fragmentus. Piemēram, Perplexity var pilnībā analizēt īsus failus un no garākiem failiem izgūt svarīgākās daļas, lai atbildētu uz vaicājumu.
Vietu aizņem arī meklēšanas rezultāti. Piemēram, lai atbildētu uz vaicājumu, Perplexity var veikt meklēšanu tīmeklī un nodot rezultātus modelim izlasīšanai.
Modeļa atbilde un spriešana
Atbilde tiek rakstīta tajā pašā logā, tāpēc lietotnei tai jāatstāj vieta. Daži modeļi, strādājot pie atbildes, ģenerē arī iekšēju spriešanu, ko cilvēks var nekad neredzēt. Spriešanas teksts ir modeļa soli pa solim veiktais darbs, piemēram, jautājuma sadalīšana daļās vai savu aprēķinu pārbaude, kas tiek izrakstīts pirms galīgās atbildes. Parasti arī tas tiek ieskaitīts loga ierobežojumā.
Konteksta logu izmēri mūsdienu MI modeļos
Lielāks konteksta logs nozīmē, ka modelis var apstrādāt garākus dokumentus, vairāk avotu un garākas sarunas. Vadošie OpenAI, Anthropic un Google modeļi tagad katrs piedāvā aptuveni 1 miljona tokenu logu. Tas ir aptuveni 1500 teksta lappušu.
Modelis | Nodrošinātājs | Konteksta logs (tokeni) |
GPT-6 Astra | OpenAI | 1,05 miljoni |
Claude Opus 5.5 | Anthropic | 1 miljons |
Gemini 4 Argon | 1 048 576 |
Nodrošinātāju API specifikācijas, pārbaudītas 2026. gada 5. novembrī. Lietotnē pieejamie ierobežojumi var atšķirties.
Lielāks logs nenozīmē, ka modelis to visu izmanto vienlīdz labi. Pētījumos konstatēts, ka, palielinoties ievades garumam, veiktspēja var kļūt mazāk uzticama; šo parādību sauc par konteksta degradāciju (angl. context rot).
Ievades un izvades ierobežojumi
Konteksta logs ir kopīgs budžets visam, ko modelis lasa un raksta. Modelis var izlasīt daudz vairāk, nekā tas spēj uzrakstīt vienā atbildē.
Apstrādājot ievadi, modelis var strādāt ar daudziem tokeniem paralēli. Ģenerējot atbildi, tas parasti veido tokenus secīgi, izmantojot iepriekšējo, lai izvēlētos nākamo. Tas nevar izvēlēties teikuma piekto vārdu, kamēr nezina pirmos četrus, tāpēc atbilde jāveido pa vienam tokenam.
Tāpēc garu atbilžu sagatavošana ir daudz lēnāka un dārgāka nekā garas ievades nolasīšana. Tieši tāpēc pieprasījums pārrakstīt vai tulkot ļoti garu dokumentu var apstāties pusceļā un tāpēc labāk ir lūgt rezultātu pa daļām.
Kas notiek, kad saruna pārsniedz ierobežojumu
Kad saruna kļūst pārāk liela konteksta logam, lietotnei ir jāatbrīvo vieta, pirms modelis var atbildēt. Lietotnes to dara dažādos veidos, un katrs no tiem maina to, ko modelis joprojām var redzēt.
Viena pieeja ir vispirms atmest vecākās ziņas. Modelis turpina strādāt ar sarunas nesenāko daļu. Agrīni lietotāja norādījumi, lēmumi vai dokumentu fragmenti var izkrist no loga. Modelis nevar atsaukties uz tekstu, kura tam vairs nav, taču tas ne vienmēr paziņos lietotājam, ka kaut kā trūkst.
Cita pieeja ir apkopot sarunas iepriekšējo daļu un pilnā teksta vietā paturēt kopsavilkumu. Tas ir viens no tā sauktās konteksta saspiešanas (angl. context compaction) veidiem. Kopsavilkums aizņem daudz mazāk vietas, tāpēc saruna var turpināties daudz ilgāk. Tomēr tajā var tikt izlaistas tādas detaļas kā precīzi skaitļi, nosaukumi vai formulējumi.
Kad modelis ir atmetis vai saspiedis savu kontekstu, tas var sākt prasīt informāciju, kas tam jau būtu jāzina. Tas var pēkšņi pārstāt ievērot sākumā sniegtos norādījumus, piemēram, par formātu vai vēlamo toni. Tas var nonākt pretrunā ar lietotāja agrāk pieņemtu lēmumu vai kļūt neskaidrs attiecībā uz iepriekš kopīgoto dokumentāciju.
Dažas lietotnes tā vietā aptur sarunu un aicina cilvēku sākt jaunu vai noraida ziņu vai failu, kas ir pārāk garš, lai ietilptu.
Ikdienas paradumi darbam konteksta loga robežās
- Katram jaunam uzdevumam sāciet jaunu pavedienu: piemēram, pārskatiet ziņojumu atsevišķā sarunā, nevis pievienojiet to esošam pavedienam par pasākuma plānošanu.
- Pārnesiet tikai to, kas nepieciešams: ja uzdevums balstās uz iepriekšējo darbu, lūdziet modelim izvilkt apstiprinātās detaļas un saskaņotos formulējumus, kas vajadzīgi nākamajam uzdevumam.
- Kopīgojiet tikai būtisku informāciju: piemēram, ja jautājums ir par to, kā tika atlasīti aptaujas dalībnieki, sniedziet metodoloģijas sadaļu un papildu piezīmes, nevis visu ziņojumu.
- Pirms gara dokumenta kopīgošanas atrodiet atbilstošo sadaļu: ja ziņojumam vai rokasgrāmatai ir satura rādītājs, vispirms kopīgojiet to. Pajautājiet modelim, kurās sadaļās, visticamāk, ir atbilde uz jautājumu, un pēc tam iekopējiet šīs sadaļas sarunā.
- Pārskatiet garus dokumentus pa daļām: sadaliet rokasgrāmatu vai ziņojumu pēc politikām, nodaļām vai tēmām. Neatkarīgiem pārskatiem izmantojiet atsevišķus pavedienus ar vienādiem norādījumiem katram.
- Pieprasiet garus rezultātus pakāpeniski: apjomīgai pārrakstīšanai vai tulkošanai tajā pašā pavedienā lūdziet pa vienai sadaļai. Norādiet sadaļu vai lappušu diapazonu un pārbaudiet rezultātu, pirms lūdzat modelim turpināt.
- Nosakiet piemērotu atbildes garumu: lūdziet piecus secinājumus, īsu skaidrojumu vai tabulu ar konkrētām kolonnām. Nepieprasiet detalizētu analīzi, ja pietiktu ar īsu atbildi.
- Lūdziet mērķtiecīgus labojumus: lai mainītu vienu melnraksta rindkopu, lūdziet modelim pārrakstīt tikai šo rindkopu. Norādiet, kas jāmaina, nevis lūdziet atkārtoti izveidot visu melnrakstu.
Kā Perplexity pārvalda kontekstu
Perplexity konteksts ietver vairāk nekā tikai sarunu. Tas var balstīties arī uz informāciju, kas atrasta reāllaika meklēšanā, saglabātajām preferencēm un uzdevumam sniegtajiem failiem.
Pētnieciskam jautājumam reāllaika meklēšana nodrošina avotu materiālus, ko modelis var izmantot atbildes veidošanai, ar atsaucēm, kas norāda, no kurienes informācija iegūta. Piemēram, jautājot par jaunu regulējumu, uzdevumā var iekļaut atbilstošu informāciju no tīmekļa, iepriekš nevācot rakstus un neielīmējot tos tērzēšanā.
Saglabāta atmiņa nodrošina cita veida kontekstu: būtiskas detaļas no iepriekšējām sarunām, piemēram, rakstīšanas preferences vai informāciju par notiekošu projektu. Perplexity izgūst šīs detaļas, sniedzot atbildi, un atmiņa darbojas visos tā piedāvātajos modeļos. Tāpēc saglabāta preference var palikt pieejama arī tad, ja Perplexity ietvaros pārslēdzaties uz citu modeli.
Darbam, kas aptver vairākas sarunas, projekti ļauj glabāt failus un norādījumus kopā, un projekta norādījumi attiecas uz katru vaicājumu. Ziņojuma auditorija, mērķis un rakstīšanas prasības var palikt projektā, savukārt izpēte un melnrakstu sagatavošana notiek atsevišķos pavedienos.
Izpētiet rakstu Darba sākšana ar Perplexity, lai uzzinātu, kā uzdot jautājumus, strādāt ar failiem un papildināt atbildes ar papildu vaicājumiem.
Bieži uzdotie jautājumi
Vai attēli tiek ieskaitīti konteksta logā?
Jā. Attēli tiek pārvērsti tokenos, kas aizņem vietu līdzās tekstam. Tokenu skaits ir atkarīgs no tā, kā modelis tos apstrādā. Ekrānuzņēmums vai skenēta lappuse aizņem konteksta vietu pat tad, ja tās teksts nav iekopēts tērzēšanā.
Vai lielāks konteksta logs maksā vairāk?
Ne obligāti. Lielāks logs raksturo to, cik daudz modelis var apstrādāt, nevis to, cik lielu šīs ietilpības daļu izmanto uzdevums.
Vai ir iespējams redzēt, cik lielu konteksta loga daļu saruna jau ir izmantojusi?
Dažreiz. Dažas lietotnes rāda konteksta mērītāju, kas norāda, cik pilns ir logs. Skaitītājs, kas rāda „atlikušās ziņas”, nozīmē ko citu: cik vēl pieprasījumu var veikt konts, nevis cik daudz informācijas modelis vēl var ietilpināt sarunā. Meklējiet tieši konteksta mērītāju.
Vai kāds var turpināt sarunu, kas ar viņu kopīgota?
Jā. Pakalpojumā Perplexity kāds var izlasīt kopīgotu sarunu un uzdot papildu jautājumu. Šis jautājums sāk jaunu sarunu šīs personas kontā, un sākotnējā saruna paliek nemainīta.