कॉन्टेक्स्ट विंडो: ती काय आहे आणि दैनंदिन AI वापरावर तिचा कसा परिणाम होतो
AI मॉडेल्समधील कॉन्टेक्स्ट विंडोबद्दल मार्गदर्शक: ती टोकनमध्ये कशी मोजली जाते, संभाषणादरम्यान ती कशाने भरते, सध्याच्या मॉडेल्समध्ये ती किती मोठी आहे, संभाषण मर्यादा ओलांडते तेव्हा काय होते आणि तिच्या मर्यादेत काम करण्यासाठी दैनंदिन सवयी.

कॉन्टेक्स्ट विंडो म्हणजे AI मॉडेल एका वेळी जितक्या मजकुरासह काम करू शकते, तितके प्रमाण. या मार्गदर्शकात ती कशाने भरते, सध्याच्या मॉडेल्समध्ये ती किती मोठी आहे आणि दैनंदिन कामात तिच्या मर्यादेत राहून कसे काम करावे, हे सांगितले आहे.
कॉन्टेक्स्ट विंडो म्हणजे काय
कॉन्टेक्स्ट विंडो म्हणजे AI मॉडेल एका वेळी किती मजकूर हाताळू शकते याची मर्यादा. या मर्यादेत आत जाणारा मजकूर, जसे की प्रश्न आणि त्यासोबत जोडलेले कोणतेही दस्तऐवज, आणि बाहेर येणारे उत्तर या दोन्हींचा समावेश होतो. एखादी गोष्ट विंडोमध्ये बसत नसेल, तर उत्तर देताना मॉडेल ती पाहू शकत नाही किंवा वापरू शकत नाही.
कॉन्टेक्स्ट विंडो ही मॉडेलने प्रशिक्षणादरम्यान शिकलेल्या गोष्टींपासून वेगळी असते. प्रशिक्षण मॉडेल रिलीज होण्यापूर्वी, मजकुराच्या खूप मोठ्या संग्रहावर होते आणि त्यातून मॉडेलला सामान्य ज्ञान आणि भाषा कौशल्ये मिळतात. कॉन्टेक्स्ट विंडोमध्ये फक्त समोर असलेल्या कामासाठीची सामग्री असते.
AI मॉडेलला स्वतःहून आधीचे मेसेज आठवत नाहीत. ते ज्या ॲपमध्ये चालते, जसे की Perplexity किंवा ChatGPT, ते ॲप संभाषण जतन करते. प्रत्येक नवीन मेसेजसोबत ॲप मॉडेलला फक्त ताजा मेसेज नव्हे, तर आतापर्यंतचे संपूर्ण संभाषण पाठवते. उत्तर देण्यापूर्वी मॉडेल ते सर्व पुन्हा वाचते आणि ते उत्तर पुढच्या वेळी पाठवल्या जाणाऱ्या मजकुराचा भाग बनते. प्रत्येक देवाणघेवाणीसोबत विंडोमध्ये संभाषणाने व्यापलेली जागा वाढत जाते, त्यामुळे लहान मेसेजेसनी बनलेली मोठी चॅटदेखील बरीच जागा व्यापू शकते.
कॉन्टेक्स्ट विंडो कशी मोजली जाते
संभाषणातील प्रत्येक मेसेज, दस्तऐवज आणि उत्तर विंडोमध्ये जागा व्यापते. उपलब्ध जागा ठराविक शब्दसंख्येत किंवा पानांमध्ये नव्हे, तर टोकनमध्ये मोजली जाते.
टोकन म्हणजे मजकुराचा असा तुकडा जो मॉडेल एकच एकक म्हणून हाताळते. तो एखादा छोटा शब्द, मोठ्या शब्दाचा भाग, विरामचिन्ह किंवा आधी स्पेस असलेला शब्द असू शकतो. OpenAI नुसार, 100 टोकन म्हणजे सुमारे 75 शब्द. इंग्रजी भाषेसाठीचा हा अंदाजे आकडा वापरल्यास, 3,000 शब्दांचा अहवाल सुमारे 4,000 टोकनचा होईल.
मॉडेल काहीही वाचण्यापूर्वी, टोकनायझर नावाचे टूल मजकुराचे टोकनमध्ये विभाजन करते आणि प्रत्येक टोकनचे संख्येत रूपांतर करते. मॉडेल त्या संख्यांवर प्रक्रिया करते, टोकनच्या क्रमाच्या स्वरूपात आपले उत्तर तयार करते आणि टूल त्यांचे पुन्हा मजकुरात रूपांतर करते.
टोकनची संख्या प्रमाणित नसते. ती भाषा आणि मजकुराच्या स्वरूपावर अवलंबून असते. वेगवेगळ्या मॉडेल्सचे टोकनायझर वेगळे असू शकतात, त्यामुळे एकाच परिच्छेदाचे वेगवेगळ्या मॉडेल्समध्ये वेगवेगळ्या संख्येने टोकन तयार होऊ शकतात.
कॉन्टेक्स्ट विंडो विरुद्ध जतन केलेली मेमरी
सध्याच्या प्रश्नाचे उत्तर देण्यासाठी मॉडेल जे वापरू शकते, ते कॉन्टेक्स्ट विंडोमध्ये असते. उदाहरणार्थ, AI एखादा अहवाल संपादित करते तेव्हा तो अहवाल, संपादनाच्या सूचना आणि त्यावर काम करताना देवाणघेवाण झालेले मेसेज विंडोमध्ये जागा व्यापतात.
जतन केलेली मेमरी निवडक तपशील एका संभाषणातून दुसऱ्या संभाषणापर्यंत टिकवून ठेवते. Perplexity मध्ये, काय जतन करायचे हे ॲप आपोआप निवडते; ते आवडीनिवडी आणि महत्त्वाची माहिती शोधते आणि वारंवार येणाऱ्या तपशिलांना अधिक महत्त्व देते. “माझ्या सर्व लेखनासाठी ब्रिटिश इंग्रजी वापरा” यासारखी कायमस्वरूपी सूचना जतन करण्यायोग्य तपशिलाचे उदाहरण आहे, तर “हा परिच्छेद लहान करा” ही सूचना फक्त समोरच्या कामापुरती लागू होते.
ॲप यापैकी एखादा तपशील नवीन संभाषणात आणते, तेव्हा तो मॉडेलच्या कॉन्टेक्स्टचा भाग बनतो आणि विंडोमधील जागा वापरतो. Perplexity मध्ये मेमरीची नियंत्रणे सेटिंग्ज → मेमरी येथे आहेत. मेमरी बंद केल्यास भविष्यातील उत्तरांमध्ये तिचा वापर थांबतो, पण आधीच जतन केलेले तपशील हटवले जात नाहीत.
संभाषणादरम्यान कॉन्टेक्स्ट विंडो कशाने भरते
कॉन्टेक्स्ट विंडोमध्ये व्यक्तीने टाइप केलेल्या शब्दांपेक्षा कितीतरी अधिक मजकूर असतो. सामान्य संभाषणात चार प्रकारचा मजकूर ही जागा वाटून घेतो: ॲपच्या सूचना, संभाषणाचा इतिहास, फाइल्स किंवा वेबवरून आणलेली सामग्री आणि मॉडेलचे उत्तर. यातील बहुतांश मजकूर स्क्रीनवर कधीच दिसत नाही.
ॲपच्या सूचना
व्यक्तीचा मेसेज मॉडेलपर्यंत पोहोचण्यापूर्वी, ॲप स्वतःच्या सूचना जोडते (यांना अनेकदा सिस्टम प्रॉम्प्ट म्हणतात). या सूचना मॉडेलने कसे वागावे हे सांगतात: उत्तरे कशी फॉरमॅट करावीत, कोणता टोन वापरावा, ते कोणती टूल्स वापरू शकते आणि आजची तारीख यांसारखे तपशील. यातील काही सामग्री, जसे की ॲपच्या अंतर्गत सूचना, सहसा वापरकर्त्याला दाखवली जात नाही.
संभाषणाचा इतिहास
यामध्ये सध्याच्या उत्तरासाठी मॉडेलची आधीची उत्तरे आणि व्यक्तीचे सर्व मेसेज यांचा समावेश असतो. अनेकदा AI ची उत्तरे वापरकर्त्याच्या प्रश्नांपेक्षा खूप मोठी असतात.
अपलोड केलेल्या फाइल्स, वेब पेजेस आणि शोध परिणाम
फाइल्समधून आणलेला मजकूर संभाषणासोबतच कॉन्टेक्स्टमधील जागा वापरतो, पण ॲप संपूर्ण फाइल देऊ शकते किंवा संबंधित भाग निवडू शकते. उदाहरणार्थ, प्रश्नाचे उत्तर देण्यासाठी Perplexity लहान फाइल्सचे पूर्ण विश्लेषण करू शकते आणि मोठ्या फाइल्समधून महत्त्वाचे भाग काढू शकते.
शोध परिणामदेखील जागा व्यापतात. उदाहरणार्थ, प्रश्नाचे उत्तर देण्यासाठी Perplexity वेबवर शोध घेऊन ते परिणाम वाचण्यासाठी मॉडेलला देऊ शकते.
मॉडेलचे उत्तर आणि कारणमीमांसा
उत्तरदेखील त्याच विंडोमध्ये लिहिले जाते, त्यामुळे ॲपला त्यासाठी जागा सोडावी लागते. काही मॉडेल्स उत्तरावर काम करताना अंतर्गत कारणमीमांसादेखील तयार करतात, जी व्यक्तीला कदाचित कधीच दिसत नाही. कारणमीमांसेचा मजकूर म्हणजे अंतिम उत्तरापूर्वी लिहून काढलेली मॉडेलची टप्प्याटप्प्याने केलेली प्रक्रिया, जसे की प्रश्नाचे भाग करणे किंवा स्वतःचे आकडे तपासणे. हा मजकूरदेखील सहसा विंडोच्या मर्यादेत मोजला जातो.
सध्याच्या AI मॉडेल्समधील कॉन्टेक्स्ट विंडोचा आकार
मोठी कॉन्टेक्स्ट विंडो म्हणजे मॉडेल मोठे दस्तऐवज, अधिक स्रोत आणि दीर्घ संभाषणे हाताळू शकते. OpenAI, Anthropic आणि Google यांची आघाडीची मॉडेल्स आता प्रत्येकी सुमारे 10 लाख टोकनची विंडो देतात. हे साधारण 1,500 पानांच्या मजकुराइतके आहे.
मॉडेल | प्रदाता | कॉन्टेक्स्ट विंडो (टोकन) |
GPT-6 Astra | OpenAI | 10.5 लाख |
Claude Opus 5.5 | Anthropic | 10 लाख |
Gemini 4 Argon | 10,48,576 |
प्रदात्यांचे API तपशील, 5 नोव्हेंबर 2026 रोजी तपासलेले. ॲपमध्ये उपलब्ध असलेल्या मर्यादा वेगळ्या असू शकतात.
विंडो मोठी असली तरी मॉडेल ती संपूर्ण तितक्याच चांगल्या प्रकारे वापरते असे नाही. इनपुटची लांबी वाढत जाते तसतशी कामगिरी कमी विश्वसनीय होऊ शकते, असे संशोधनात आढळले आहे; या प्रवृत्तीला कॉन्टेक्स्ट रॉट म्हणतात.
इनपुट मर्यादा आणि आउटपुट मर्यादा
मॉडेल जे काही वाचते आणि लिहिते, त्या सर्वांसाठी कॉन्टेक्स्ट विंडो हे एक सामायिक बजेट असते. मॉडेल एका उत्तरात जितके लिहू शकते, त्यापेक्षा कितीतरी अधिक वाचू शकते.
इनपुटवर प्रक्रिया करताना मॉडेल अनेक टोकनवर एकाच वेळी काम करू शकते. उत्तर तयार करताना मात्र ते सहसा टोकन क्रमाने तयार करते आणि पुढे काय येईल हे ठरवण्यासाठी आधी आलेल्या मजकुराचा वापर करते. वाक्यातील पहिले चार शब्द कळेपर्यंत ते पाचवा शब्द निवडू शकत नाही, त्यामुळे त्याला उत्तर एका वेळी एक टोकन असे तयार करावे लागते.
त्यामुळे दीर्घ इनपुट वाचण्यापेक्षा दीर्घ उत्तरे तयार करणे खूप हळू आणि अधिक खर्चिक असते. म्हणूनच खूप मोठ्या दस्तऐवजाचे पुनर्लेखन किंवा भाषांतर करण्याची विनंती अर्ध्यातच थांबू शकते आणि म्हणूनच निकाल भागांमध्ये मागणे अधिक चांगले ठरते.
संभाषण मर्यादा ओलांडते तेव्हा काय होते
संभाषण कॉन्टेक्स्ट विंडोसाठी खूप मोठे झाले की, मॉडेल उत्तर देण्यापूर्वी ॲपला जागा करावी लागते. ॲप्स हे काही वेगवेगळ्या पद्धतींनी करतात आणि प्रत्येक पद्धतीमुळे मॉडेलला अजूनही काय दिसू शकते ते बदलते.
एक पद्धत म्हणजे सर्वात जुने मेसेज आधी काढून टाकणे. मॉडेल संभाषणाच्या अलीकडच्या भागासह काम करत राहते. वापरकर्त्याच्या सुरुवातीच्या सूचना, निर्णय किंवा दस्तऐवजांचे भाग विंडोमधून बाहेर पडू शकतात. जो मजकूर मॉडेलकडे आता नाही, त्याचा ते संदर्भ घेऊ शकत नाही, पण काहीतरी गहाळ आहे हे ते वापरकर्त्याला सांगेलच असे नाही.
दुसरी पद्धत म्हणजे संभाषणाच्या आधीच्या भागाचा सारांश तयार करणे आणि पूर्ण मजकुराऐवजी तो सारांश ठेवणे. हा कॉन्टेक्स्ट कॉम्पॅक्शन म्हणून ओळखल्या जाणाऱ्या प्रक्रियेचा एक प्रकार आहे. सारांश खूप कमी जागा व्यापतो, त्यामुळे संभाषण बरेच जास्त काळ चालू राहू शकते. मात्र, त्यात अचूक आकडे, नावे किंवा शब्दरचना यांसारखे तपशील वगळले जाऊ शकतात.
मॉडेलने आपला कॉन्टेक्स्ट काढून टाकला किंवा संक्षिप्त केला असेल, तर त्याला आधीच माहीत असायला हवी अशी माहिती ते मागू लागू शकते. सुरुवातीला दिलेल्या सूचना, जसे की फॉरमॅट किंवा पसंतीचा टोन, ते अचानक पाळणे थांबवू शकते. ते वापरकर्त्याच्या आधीच्या निर्णयाच्या विरोधात जाऊ शकते किंवा आधी शेअर केलेल्या दस्तऐवजांबद्दल अस्पष्ट बोलू शकते.
काही ॲप्स त्याऐवजी संभाषण थांबवतात आणि व्यक्तीला नवीन संभाषण सुरू करण्यास सांगतात, किंवा विंडोमध्ये बसण्यासाठी खूप मोठा असलेला मेसेज किंवा फाइल नाकारतात.
कॉन्टेक्स्ट विंडोच्या मर्यादेत काम करण्यासाठी दैनंदिन सवयी
- प्रत्येक नवीन कामासाठी नवीन थ्रेड सुरू करा: उदाहरणार्थ, एखाद्या कार्यक्रमाच्या नियोजनाबद्दलच्या विद्यमान थ्रेडमध्ये अहवाल जोडण्याऐवजी, त्या अहवालाचे पुनरावलोकन स्वतंत्र संभाषणात करा.
- फक्त आवश्यक तेवढेच पुढे न्या: एखादे काम आधीच्या कामावर आधारित असेल, तेव्हा पुढच्या कामासाठी आवश्यक असलेले निश्चित तपशील आणि मंजूर शब्दरचना वेगळी काढून देण्यास मॉडेलला सांगा.
- फक्त संबंधित माहिती शेअर करा: उदाहरणार्थ, सर्वेक्षणातील सहभागींची निवड कशी झाली या प्रश्नासाठी, संपूर्ण अहवालाऐवजी कार्यपद्धतीचा विभाग आणि सहाय्यक नोंदी द्या.
- मोठा दस्तऐवज शेअर करण्यापूर्वी संबंधित विभाग शोधा: अहवाल किंवा हँडबुकमध्ये अनुक्रमणिका असल्यास, ती आधी शेअर करा. प्रश्नाचे उत्तर कोणत्या विभागांमध्ये असण्याची शक्यता आहे हे मॉडेलला विचारा आणि मग ते विभाग संभाषणात कॉपी करा.
- मोठ्या दस्तऐवजांचे भागांमध्ये पुनरावलोकन करा: हँडबुक किंवा अहवाल धोरण, प्रकरण किंवा विषयानुसार विभागा. स्वतंत्र पुनरावलोकनांसाठी वेगवेगळे थ्रेड वापरा आणि प्रत्येकासाठी त्याच सूचना द्या.
- मोठे आउटपुट टप्प्याटप्प्याने मागा: दीर्घ पुनर्लेखन किंवा भाषांतरासाठी, त्याच थ्रेडमध्ये एका वेळी एक विभाग मागा. विभागाचे नाव किंवा पानांची श्रेणी नमूद करा आणि मॉडेलला पुढे सुरू ठेवण्यास सांगण्यापूर्वी निकाल तपासा.
- उत्तराची उपयुक्त लांबी ठरवा: पाच निष्कर्ष, थोडक्यात स्पष्टीकरण किंवा ठराविक कॉलम्स असलेले टेबल मागा. थोडक्यात उत्तर पुरेसे असेल तेव्हा तपशीलवार विश्लेषण मागणे टाळा.
- नेमक्या सुधारणा मागा: मसुद्यातील एक परिच्छेद बदलण्यासाठी, फक्त तोच परिच्छेद पुन्हा लिहिण्यास मॉडेलला सांगा. संपूर्ण मसुदा पुन्हा तयार करायला सांगण्याऐवजी काय बदलायचे आहे ते स्पष्ट करा.
Perplexity कॉन्टेक्स्ट कसा व्यवस्थापित करते
Perplexity च्या कॉन्टेक्स्टमध्ये संभाषणापेक्षा अधिक गोष्टींचा समावेश असतो. ते लाइव्ह शोधातून मिळालेली माहिती, जतन केलेल्या आवडीनिवडी आणि कामासाठी दिलेल्या फाइल्स यांचाही वापर करू शकते.
संशोधनाच्या प्रश्नासाठी, लाइव्ह शोध अशी स्रोत सामग्री पुरवतो जिचा वापर करून मॉडेल आपले उत्तर तयार करू शकते, आणि माहिती कुठून आली हे दाखवणारी उद्धरणे त्यासोबत दिली जातात. उदाहरणार्थ, नवीन नियमावलीबद्दल विचारल्यास, आधी लेख गोळा करून चॅटमध्ये पेस्ट न करता संबंधित वेब माहिती थेट कामात आणली जाऊ शकते.
जतन केलेली मेमरी वेगळ्या प्रकारचा कॉन्टेक्स्ट पुरवते: आधीच्या संभाषणांमधील संबंधित तपशील, जसे की लेखनाच्या आवडीनिवडी किंवा सुरू असलेल्या प्रोजेक्टची पार्श्वभूमी. उत्तर देताना Perplexity हे तपशील मिळवते आणि मेमरी Perplexity देत असलेल्या सर्व मॉडेल्सवर काम करते. त्यामुळे Perplexity मध्ये मॉडेल बदलले तरी जतन केलेली आवड उपलब्ध राहू शकते.
अनेक संभाषणांमध्ये पसरलेल्या कामासाठी, प्रोजेक्ट्स फाइल्स आणि सूचना एकत्र ठेवतात आणि प्रोजेक्टच्या सूचना प्रत्येक प्रश्नाला लागू होतात. अहवालाचे वाचक, उद्देश आणि लेखनाच्या अटी प्रोजेक्टमध्ये राहू शकतात, तर संशोधन आणि मसुदा लेखन वेगवेगळ्या थ्रेड्समध्ये होऊ शकते.
प्रश्न विचारणे, फाइल्ससह काम करणे आणि फॉलो-अप प्रश्नांद्वारे उत्तरे पुढे विकसित करणे यांबद्दल मार्गदर्शनासाठी Perplexity सह सुरुवात पहा.
वारंवार विचारले जाणारे प्रश्न
प्रतिमा कॉन्टेक्स्ट विंडोमध्ये मोजल्या जातात का?
हो. प्रतिमांचे रूपांतर टोकनमध्ये होते आणि ते मजकुरासोबत जागा व्यापतात. टोकनची संख्या मॉडेल त्यांच्यावर कशी प्रक्रिया करते यावर अवलंबून असते. स्क्रीनशॉट किंवा स्कॅन केलेले पान, त्यातील मजकूर चॅटमध्ये कॉपी केलेला नसला तरीही, कॉन्टेक्स्टमधील जागा वापरते.
मोठ्या कॉन्टेक्स्ट विंडोसाठी जास्त खर्च येतो का?
असे आवश्यक नाही. मोठी विंडो मॉडेल किती हाताळू शकते हे सांगते; एखादे काम त्या क्षमतेपैकी किती वापरते हे नाही.
संभाषणाने कॉन्टेक्स्ट विंडोपैकी किती भाग वापरला आहे हे पाहण्याचा काही मार्ग आहे का?
कधीकधी. काही ॲप्स विंडो किती भरली आहे हे दाखवणारे कॉन्टेक्स्ट मीटर दाखवतात. “उर्वरित मेसेज” दाखवणाऱ्या काउंटरचा अर्थ वेगळा असतो: खाते आणखी किती विनंत्या करू शकते, हे तो दाखवतो; मॉडेल संभाषणात आणखी किती माहिती सामावून घेऊ शकते, हे नाही. विशेषतः कॉन्टेक्स्ट मीटर आहे का ते तपासा.
एखाद्यासोबत शेअर केलेले संभाषण ती व्यक्ती पुढे सुरू ठेवू शकते का?
हो. Perplexity मध्ये, एखादी व्यक्ती शेअर केलेले संभाषण वाचू शकते आणि फॉलो-अप प्रश्न विचारू शकते. तो प्रश्न त्या व्यक्तीच्या खात्यात नवीन संभाषण सुरू करतो आणि मूळ संभाषणात कोणताही बदल होत नाही.