Kontekstvindu: hva det er, og hvordan det påvirker bruken av AI i hverdagen

En veiledning om kontekstvinduet i AI-modeller som tar for seg hvordan det måles i tokener, hva som fyller det under en samtale, hvor stort det er i dagens modeller, hva som skjer når en samtale overskrider grensen, og vaner i hverdagen for å arbeide innenfor 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 kontekstvindu er mengden tekst en AI-modell kan arbeide med på én gang. Denne veiledningen tar for seg hva som fyller det, hvor stort det er i dagens modeller, og hvordan du kan arbeide innenfor det i hverdagen.

Hva et kontekstvindu er

Et kontekstvindu er grensen for hvor mye tekst en AI-modell kan håndtere på én gang. Grensen omfatter teksten som går inn, for eksempel et spørsmål og eventuelle dokumenter som er lagt ved, og svaret som kommer ut. Hvis noe ikke får plass i vinduet, kan ikke modellen se det eller bruke det når den svarer.

Kontekstvinduet er atskilt fra det en modell lærte under treningen. Treningen skjer før en modell lanseres, på en svært stor tekstmengde, og gir modellen dens generelle kunnskap og språkferdigheter. Kontekstvinduet inneholder bare materialet for oppgaven modellen står overfor.

AI-modellen selv husker ikke tidligere meldinger. Appen den kjører i, for eksempel Perplexity eller ChatGPT, lagrer samtalen. For hver nye melding sender appen hele samtalen så langt til modellen, ikke bare den siste meldingen. Modellen leser alt på nytt før den svarer, og svaret blir en del av det som sendes neste gang. En samtales fotavtrykk i vinduet vokser for hver utveksling, så en lang chat med korte meldinger kan likevel ta mye plass.

Hvordan et kontekstvindu måles

Hver melding, hvert dokument og hvert svar i en samtale tar plass i vinduet. Hvor mye plass som er tilgjengelig, måles i tokener i stedet for et bestemt antall ord eller sider.

Et token er en tekstbit som modellen behandler som én enhet. Det kan være et kort ord, en del av et lengre ord, et skilletegn eller et ord med mellomrommet foran. 100 tokener tilsvarer omtrent 75 ord, ifølge OpenAI. Med dette omtrentlige anslaget for engelsk tekst vil en rapport på 3 000 ord utgjøre omtrent 4 000 tokener.

Før en modell leser noe, deler et verktøy som kalles en tokenisator, teksten opp i tokener og gjør hvert av dem om til et tall. Modellen behandler disse tallene, genererer svaret sitt som en sekvens av tokener, og verktøyet gjør dem om til tekst igjen.

Antall tokener er ikke standardisert. Antallet avhenger av språket og innholdet. Tokeniserere kan variere mellom modeller, så det samme avsnittet kan gi ulikt antall tokener i ulike modeller.

Kontekstvindu kontra lagret minne

Kontekstvinduet inneholder det modellen kan bruke til å besvare det aktuelle spørsmålet. Når en AI for eksempel redigerer en rapport, tar rapporten, redigeringsinstruksjonene og meldingene som utveksles underveis, plass i vinduet.

Lagret minne tar vare på utvalgte detaljer mellom samtaler. I Perplexity velger appen automatisk hva som skal lagres. Den ser etter preferanser og viktig informasjon og legger vekt på detaljer som dukker opp ofte. En varig instruksjon som «Bruk britisk engelsk i alt jeg skriver» illustrerer den typen detaljer som er verdt å ta vare på, mens «Gjør dette avsnittet kortere» gjelder oppgaven her og nå.

Når appen tar med en av disse detaljene inn i en ny samtale, blir den en del av modellens kontekst og bruker plass i vinduet. I Perplexity finner du kontrollene for minne under Innstillinger → Minne. Hvis du slår av minnet, brukes det ikke lenger i fremtidige svar, men detaljer som allerede er lagret, blir ikke slettet.

Hva som fyller et kontekstvindu under en samtale

Et kontekstvindu inneholder langt mer enn ordene en person skriver. I en typisk samtale deler fire typer tekst plassen: instruksjoner fra appen, samtalehistorikken, materiale hentet inn fra filer eller nettet, og modellens svar. Det meste vises aldri på skjermen.

Instruksjoner fra appen

Før en persons melding når modellen, legger appen til sine egne instruksjoner (ofte kalt en systemprompt). Disse forteller modellen hvordan den skal oppføre seg: hvordan svarene skal formateres, hvilken tone den skal bruke, hvilke verktøy den kan bruke, og detaljer som dagens dato. Noe av dette materialet, for eksempel appens interne instruksjoner, vises vanligvis ikke for brukeren.

Samtalehistorikk

Dette omfatter både modellens tidligere svar og alle personens meldinger for det aktuelle svaret. AI-ens svar er ofte mye lengre enn brukerens spørsmål.

Opplastede filer, nettsider og søkeresultater

Tekst som hentes inn fra filer, bruker kontekstplass sammen med samtalen, men en app kan levere en hel fil eller velge ut relevante avsnitt. Perplexity kan for eksempel analysere korte filer i sin helhet og hente ut viktige deler av lengre filer for å besvare spørsmålet.

Søkeresultater tar også plass. For å besvare et spørsmål kan Perplexity for eksempel søke på nettet og gi modellen resultatene å lese.

Modellens svar og resonnering

Svaret skrives inn i det samme vinduet, så appen må sette av plass til det. Noen modeller genererer også intern resonnering mens de arbeider med et svar, noe personen kanskje aldri ser. Resonneringstekst er modellens trinnvise arbeid, for eksempel å dele et spørsmål opp i deler eller kontrollere egne tall, skrevet ut før det endelige svaret. Den teller vanligvis også med i grensen for vinduet.

Størrelsen på kontekstvinduet i dagens AI-modeller

Et større kontekstvindu betyr at en modell kan håndtere lengre dokumenter, flere kilder og lengre samtaler. De ledende modellene fra OpenAI, Anthropic og Google tilbyr nå hver et vindu på omtrent 1 million tokener. Det tilsvarer omtrent 1 500 sider tekst.

Modell

Leverandør

Kontekstvindu (tokener)

GPT-6 Astra

OpenAI

1,05 millioner

Claude Opus 5.5

Anthropic

1 million

Gemini 4 Argon

Google

1 048 576

API-spesifikasjoner fra leverandørene, kontrollert 5. november 2026. Grensene som er tilgjengelige i en app, kan være annerledes.

Et større vindu betyr ikke at en modell bruker hele vinduet like godt. Forskning har vist at ytelsen kan bli mindre pålitelig etter hvert som inndataene blir lengre, et mønster som kalles kontekstforfall (context rot).

Grenser for inndata og utdata

Kontekstvinduet er et felles budsjett for alt modellen leser og skriver. En modell kan lese langt mer enn den kan skrive i ett svar.

Når modellen behandler inndata, kan den arbeide med mange tokener parallelt. Når den genererer et svar, produserer den vanligvis tokener i rekkefølge og bruker det som kom før, til å velge hva som kommer etterpå. Den kan ikke velge det femte ordet i en setning før den kjenner de fire første, så den må produsere svaret ett token om gangen.

Dermed er lange svar mye tregere og dyrere å produsere enn lange inndata er å lese. Det er derfor en forespørsel om å skrive om eller oversette et svært langt dokument kan stoppe halvveis, og derfor fungerer det bedre å be om resultatet i deler.

Hva som skjer når en samtale overskrider grensen

Når en samtale blir for stor for kontekstvinduet, må appen frigjøre plass før modellen kan svare. Apper gjør dette på flere ulike måter, og hver av dem endrer hva modellen fortsatt kan se.

Én tilnærming er å fjerne de eldste meldingene først. Modellen fortsetter å arbeide med den nyeste delen av samtalen. Tidlige instruksjoner fra brukeren, beslutninger eller dokumentavsnitt kan falle ut av vinduet. Modellen kan ikke vise til tekst den ikke lenger har, men den vil ikke nødvendigvis si fra til brukeren om at noe mangler.

En annen tilnærming er å oppsummere den tidligere delen av samtalen og beholde sammendraget i stedet for hele teksten. Dette er en form for det som kalles kontekstkomprimering. Et sammendrag tar langt mindre plass, slik at samtalen kan vare mye lenger. Det kan imidlertid utelate detaljer som nøyaktige tall, navn eller formuleringer.

Når modellen har fjernet eller komprimert konteksten sin, kan den begynne å be om informasjon den burde ha fra før. Den kan plutselig slutte å følge instruksjoner som ble gitt i starten, for eksempel et format eller en foretrukket tone. Den kan motsi en beslutning brukeren har tatt tidligere, eller bli vag om dokumentasjon som ble delt tidligere.

Noen apper avslutter i stedet samtalen og ber personen starte en ny, eller avviser en melding eller fil som er for lang til å få plass.

Vaner i hverdagen for å arbeide innenfor kontekstvinduet

  • Start en ny tråd for hver nye oppgave: Gå for eksempel gjennom en rapport i en egen samtale i stedet for å legge den til i en eksisterende tråd om planlegging av et arrangement.
  • Ta bare med det som trengs: Når en oppgave bygger på tidligere arbeid, kan du be modellen hente ut de bekreftede detaljene og den godkjente ordlyden som trengs til neste oppgave.
  • Del bare relevant informasjon: Ved et spørsmål om hvordan deltakerne i en spørreundersøkelse ble valgt ut, kan du for eksempel legge fram metodekapittelet og tilhørende notater i stedet for hele rapporten.
  • Finn den relevante delen før du deler et langt dokument: Hvis en rapport eller håndbok har en innholdsfortegnelse, kan du dele den først. Spør modellen hvilke deler som sannsynligvis besvarer spørsmålet, og kopier deretter disse delene inn i samtalen.
  • Gå gjennom lange dokumenter i deler: Del opp en håndbok eller rapport etter retningslinje, kapittel eller tema. Bruk separate tråder for uavhengige gjennomganger, med de samme instruksjonene for hver av dem.
  • Be om lange resultater i etapper: Ved en omfattende omskriving eller oversettelse kan du be om én del om gangen i samme tråd. Oppgi hvilken del eller hvilket sideintervall det gjelder, og kontroller resultatet før du ber modellen fortsette.
  • Angi en hensiktsmessig svarlengde: Be om fem funn, en kort forklaring eller en tabell med bestemte kolonner. Unngå å be om en detaljert analyse når et kort svar holder.
  • Be om målrettede endringer: For å endre ett avsnitt i et utkast kan du be modellen skrive om bare det avsnittet. Angi hva som må endres, i stedet for å be den gjengi hele utkastet.

Slik håndterer Perplexity kontekst

Konteksten til Perplexity omfatter mer enn samtalen. Den kan også hente informasjon som er funnet gjennom direktesøk, lagrede preferanser og filer som er levert til en oppgave.

Ved et forskningsspørsmål leverer direktesøk kildemateriale som modellen kan bruke til å bygge opp svaret, med kildehenvisninger som viser hvor informasjonen kommer fra. Et spørsmål om en ny forskrift kan for eksempel hente relevant informasjon fra nettet inn i oppgaven uten at du først må samle artikler og lime dem inn i chatten.

Lagret minne gir en annen type kontekst: relevante detaljer fra tidligere samtaler, for eksempel skrivepreferanser eller bakgrunn om et pågående prosjekt. Perplexity henter disse detaljene når den svarer, og minnet fungerer på tvers av modellene den tilbyr. En lagret preferanse kan dermed fortsatt være tilgjengelig når du bytter modell i Perplexity.

For arbeid som strekker seg over flere samtaler, holder prosjekter filer og instruksjoner samlet, og prosjektinstruksjonene gjelder for hvert spørsmål. Målgruppen, formålet og skrivekravene for en rapport kan ligge i prosjektet, mens undersøkelser og utkastskriving foregår i separate tråder.

Utforsk Kom i gang med Perplexity for veiledning om hvordan du stiller spørsmål, arbeider med filer og bygger videre på svar med oppfølgingsspørsmål.

Vanlige spørsmål

Teller bilder med i kontekstvinduet?

Ja. Bilder gjøres om til tokener som tar plass sammen med teksten. Antallet tokener avhenger av hvordan modellen behandler dem. Et skjermbilde eller en skannet side bruker kontekstplass selv om teksten ikke er kopiert inn i chatten.

Koster et større kontekstvindu mer?

Ikke nødvendigvis. Et større vindu beskriver hvor mye en modell kan håndtere, ikke hvor mye av den kapasiteten en oppgave bruker.

Finnes det en måte å se hvor mye av kontekstvinduet en samtale har brukt?

Noen ganger. Noen apper viser en kontekstmåler som angir hvor fullt vinduet er. En teller som viser «gjenstående meldinger», betyr noe annet: hvor mange flere forespørsler kontoen kan sende, ikke hvor mye informasjon modellen fortsatt kan få plass til i samtalen. Se spesifikt etter en kontekstmåler.

Kan noen fortsette en samtale som er delt med dem?

Ja. I Perplexity kan noen lese en delt samtale og stille et oppfølgingsspørsmål. Det spørsmålet starter en ny samtale i vedkommendes konto, mens den opprinnelige samtalen forblir uendret.