Fereastra de context: ce este și cum influențează utilizarea zilnică a AI
Un ghid despre fereastra de context din modelele AI, care explică modul în care se măsoară în tokenuri, ce o umple în timpul unei conversații, cât de mare este în modelele actuale, ce se întâmplă când o conversație depășește limita și obiceiurile zilnice pentru a lucra în limitele ei.

O fereastră de context reprezintă cantitatea de text cu care un model AI poate lucra la un moment dat. Acest ghid explică ce o umple, cât de mare este în modelele actuale și cum să lucrați în limitele ei zi de zi.
Ce este o fereastră de context
Fereastra de context este limita cantității de text pe care un model AI o poate gestiona la un moment dat. Limita include atât textul care intră, cum ar fi o întrebare și orice document atașat acesteia, cât și răspunsul care iese. Dacă ceva nu încape în fereastră, modelul nu îl poate vedea și nici folosi atunci când răspunde.
Fereastra de context este separată de ceea ce a învățat un model în timpul antrenării. Antrenarea are loc înainte de lansarea unui model, pe un volum foarte mare de text, și îi oferă modelului cunoștințele generale și abilitățile lingvistice. Fereastra de context conține doar materialul pentru sarcina pe care o are de rezolvat.
Modelul AI în sine nu își amintește mesajele anterioare. Aplicația în care rulează, cum ar fi Perplexity sau ChatGPT, salvează conversația. La fiecare mesaj nou, aplicația îi trimite modelului întreaga conversație de până atunci, nu doar ultimul mesaj. Modelul o citește din nou în întregime înainte de a răspunde, iar răspunsul respectiv devine parte din ceea ce se trimite data următoare. Spațiul ocupat de o conversație în fereastră crește cu fiecare schimb de mesaje, așa că o conversație lungă alcătuită din mesaje scurte poate ocupa totuși mult spațiu.
Cum se măsoară o fereastră de context
Fiecare mesaj, document și răspuns dintr-o conversație ocupă spațiu în fereastră. Spațiul disponibil se măsoară în tokenuri, nu într-un anumit număr de cuvinte sau pagini.
Un token este o bucată de text pe care modelul o tratează ca pe o singură unitate. Poate fi un cuvânt scurt, o parte dintr-un cuvânt mai lung, un semn de punctuație sau un cuvânt împreună cu spațiul din fața lui. 100 de tokenuri înseamnă aproximativ 75 de cuvinte, potrivit OpenAI. Folosind această estimare aproximativă pentru limba engleză, un raport de 3.000 de cuvinte ar avea aproximativ 4.000 de tokenuri.
Înainte ca un model să citească ceva, un instrument numit tokenizator împarte textul în tokenuri și îl convertește pe fiecare într-un număr. Modelul procesează acele numere, își generează răspunsul ca o secvență de tokenuri, iar instrumentul le convertește înapoi în text.
Numărul de tokenuri nu este standardizat. Acesta depinde de limbă și de conținut. Tokenizatoarele pot diferi de la un model la altul, așa că același paragraf poate produce un număr diferit de tokenuri în modele diferite.
Fereastra de context vs. memoria salvată
Fereastra de context conține ceea ce modelul poate folosi pentru a răspunde la întrebarea curentă. De exemplu, atunci când un AI editează un raport, raportul, instrucțiunile de editare și mesajele schimbate în timpul lucrului ocupă spațiu în fereastră.
Memoria salvată păstrează anumite detalii de la o conversație la alta. În Perplexity, aplicația selectează automat ce să salveze, căutând preferințe și informații importante și acordând importanță detaliilor care apar frecvent. O instrucțiune de durată, precum „Folosește engleza britanică pentru tot ce scriu”, ilustrează tipul de detaliu care merită păstrat, în timp ce „Scurtează acest paragraf” se aplică sarcinii curente.
Când aplicația aduce unul dintre aceste detalii într-o conversație nouă, acesta devine parte din contextul modelului și ocupă spațiu în fereastră. În Perplexity, setările pentru memorie se află în Setări → Memorie. Dezactivarea memoriei oprește folosirea ei în răspunsurile viitoare, dar nu șterge detaliile deja salvate.
Ce umple o fereastră de context în timpul unei conversații
O fereastră de context conține mult mai mult decât cuvintele pe care le tastează o persoană. Într-o conversație obișnuită, patru tipuri de text împart spațiul: instrucțiunile aplicației, istoricul conversației, materialele preluate din fișiere sau de pe web și răspunsul modelului. Cea mai mare parte nu apare niciodată pe ecran.
Instrucțiunile aplicației
Înainte ca mesajul unei persoane să ajungă la model, aplicația adaugă propriile instrucțiuni (numite adesea prompt de sistem). Acestea îi spun modelului cum să se comporte: cum să formateze răspunsurile, ce ton să folosească, ce instrumente poate utiliza și detalii precum data de azi. O parte din acest material, cum ar fi instrucțiunile interne ale aplicației, nu este afișată în mod normal utilizatorului.
Istoricul conversației
Pentru răspunsul curent, acesta include atât răspunsurile anterioare ale modelului, cât și toate mesajele persoanei. Adesea, răspunsurile AI-ului sunt mult mai lungi decât întrebările utilizatorului.
Fișiere încărcate, pagini web și rezultate ale căutării
Textul preluat din fișiere ocupă spațiu de context alături de conversație, dar o aplicație poate furniza un fișier întreg sau poate selecta pasajele relevante. De exemplu, Perplexity poate analiza integral fișierele scurte și poate extrage părțile importante din fișierele mai lungi pentru a răspunde la întrebare.
Și rezultatele căutării ocupă spațiu. De exemplu, pentru a răspunde la o întrebare, Perplexity poate căuta pe web și îi poate oferi modelului rezultatele spre citire.
Răspunsul și raționamentul modelului
Răspunsul este scris în aceeași fereastră, așa că aplicația trebuie să îi lase loc. Unele modele generează și un raționament intern în timp ce lucrează la un răspuns, pe care persoana s-ar putea să nu îl vadă niciodată. Textul de raționament reprezintă pașii de lucru ai modelului, cum ar fi împărțirea unei întrebări în părți sau verificarea propriilor cifre, scriși înainte de răspunsul final. De obicei, și acesta se încadrează în limita ferestrei.
Dimensiunile ferestrei de context în modelele AI actuale
O fereastră de context mai mare înseamnă că un model poate gestiona documente mai lungi, mai multe surse și conversații mai lungi. Modelele de top de la OpenAI, Anthropic și Google oferă acum fiecare o fereastră de aproximativ 1 milion de tokenuri. Asta înseamnă aproximativ 1.500 de pagini de text.
Model | Furnizor | Fereastră de context (tokenuri) |
GPT-6 Astra | OpenAI | 1,05 milioane |
Claude Opus 5.5 | Anthropic | 1 milion |
Gemini 4 Argon | 1.048.576 |
Specificațiile API ale furnizorilor, verificate pe 5 noiembrie 2026. Limitele disponibile într-o aplicație pot fi diferite.
O fereastră mai mare nu înseamnă că un model o folosește în întregime la fel de bine. Cercetările au arătat că performanța poate deveni mai puțin fiabilă pe măsură ce lungimea datelor de intrare crește, un fenomen cunoscut sub numele de degradarea contextului (context rot).
Limite de intrare și limite de ieșire
Fereastra de context este un buget comun pentru tot ce citește și scrie modelul. Un model poate citi mult mai mult decât poate scrie într-un singur răspuns.
Când procesează datele de intrare, modelul poate lucra în paralel cu multe tokenuri. Când generează un răspuns, de obicei produce tokenurile în secvență, folosind ce a venit înainte pentru a alege ce urmează. Nu poate alege al cincilea cuvânt dintr-o propoziție până nu le cunoaște pe primele patru, așa că trebuie să producă răspunsul câte un token pe rând.
Astfel, producerea răspunsurilor lungi este mult mai lentă și mai costisitoare decât citirea unor date de intrare lungi. De aceea, o cerere de a rescrie sau de a traduce un document foarte lung se poate opri la jumătatea drumului și de aceea este mai eficient să cereți rezultatul pe secțiuni.
Ce se întâmplă când o conversație depășește limita
Când o conversație devine prea mare pentru fereastra de context, aplicația trebuie să facă loc înainte ca modelul să poată răspunde. Aplicațiile fac acest lucru în câteva moduri diferite și fiecare dintre ele schimbă ceea ce modelul mai poate vedea.
O abordare este eliminarea mai întâi a celor mai vechi mesaje. Modelul continuă să lucreze cu partea recentă a conversației. Instrucțiunile timpurii ale utilizatorului, deciziile sau pasajele din documente pot ieși din fereastră. Modelul nu poate face referire la un text pe care nu îl mai are, dar nu îi va spune neapărat utilizatorului că lipsește ceva.
O altă abordare este rezumarea părții anterioare a conversației și păstrarea rezumatului în locul textului complet. Aceasta este o formă a ceea ce se numește compactarea contextului. Un rezumat ocupă mult mai puțin spațiu, astfel încât conversația poate continua mult mai mult. Totuși, poate omite detalii precum cifre exacte, nume sau formulări.
Când modelul și-a eliminat sau compactat contextul, ar putea începe să ceară informații pe care ar trebui să le cunoască deja. Ar putea înceta brusc să urmeze instrucțiunile date la început, cum ar fi un format sau un ton preferat. Ar putea contrazice o decizie anterioară a utilizatorului sau ar putea deveni vag în privința documentației partajate mai devreme.
În schimb, unele aplicații opresc conversația și îi cer persoanei să înceapă una nouă sau refuză un mesaj ori un fișier prea lung pentru a încăpea.
Obiceiuri zilnice pentru a lucra în limitele ferestrei de context
- Începeți un fir nou pentru fiecare sarcină nouă: De exemplu, analizați un raport într-o conversație separată, în loc să îl adăugați într-un fir existent despre planificarea unui eveniment.
- Preluați doar ce este necesar: Când o sarcină se bazează pe munca anterioară, cereți modelului să extragă detaliile confirmate și formulările aprobate necesare pentru următoarea sarcină.
- Partajați doar informațiile relevante: De exemplu, pentru o întrebare despre modul în care au fost selectați participanții la un sondaj, furnizați secțiunea de metodologie și notele justificative, nu întregul raport.
- Găsiți secțiunea relevantă înainte de a partaja un document lung: Dacă un raport sau un manual are un cuprins, partajați-l mai întâi pe acesta. Întrebați modelul care secțiuni ar putea conține cel mai probabil răspunsul la întrebare, apoi copiați acele secțiuni în conversație.
- Analizați documentele lungi pe părți: Împărțiți un manual sau un raport după politică, capitol sau subiect. Folosiți fire separate pentru analize independente, cu aceleași instrucțiuni pentru fiecare.
- Cereți rezultatele lungi în etape: Pentru o rescriere sau o traducere amplă, cereți câte o secțiune pe rând în același fir. Numiți secțiunea sau intervalul de pagini și verificați rezultatul înainte de a-i cere modelului să continue.
- Stabiliți o lungime utilă a răspunsului: Cereți cinci constatări, o explicație scurtă sau un tabel cu anumite coloane. Evitați să solicitați o analiză detaliată atunci când un răspuns succint ar fi suficient.
- Cereți revizuiri punctuale: Pentru a modifica un paragraf dintr-o ciornă, cereți modelului să rescrie doar acel paragraf. Precizați ce trebuie schimbat, în loc să îi cereți să reproducă întreaga ciornă.
Cum gestionează Perplexity contextul
Contextul Perplexity include mai mult decât conversația. Acesta poate folosi și informații găsite prin căutarea în timp real, preferințele salvate și fișierele furnizate pentru o sarcină.
Pentru o întrebare de cercetare, căutarea în timp real furnizează materiale-sursă pe care modelul le poate folosi pentru a-și construi răspunsul, cu citări care arată de unde provin informațiile. De exemplu, o întrebare despre o reglementare nouă poate aduce în sarcină informații relevante de pe web, fără a fi nevoie să colectați mai întâi articole și să le lipiți în chat.
Memoria salvată oferă un alt tip de context: detalii relevante din conversațiile anterioare, cum ar fi preferințele de scriere sau informații de fond despre un proiect în desfășurare. Perplexity preia aceste detalii atunci când răspunde, iar memoria funcționează cu toate modelele pe care le oferă. Prin urmare, o preferință salvată poate rămâne disponibilă atunci când schimbați modelul în Perplexity.
Pentru munca ce se întinde pe mai multe conversații, proiectele păstrează fișierele și instrucțiunile la un loc, iar instrucțiunile proiectului se aplică fiecărei întrebări. Publicul, scopul și cerințele de scriere ale unui raport pot rămâne în proiect, în timp ce cercetarea și redactarea au loc în fire separate.
Explorați Primii pași cu Perplexity pentru îndrumări despre cum să puneți întrebări, să lucrați cu fișiere și să dezvoltați răspunsurile cu întrebări suplimentare.
Întrebări frecvente
Imaginile se iau în calcul în fereastra de context?
Da. Imaginile sunt convertite în tokenuri care ocupă spațiu alături de text. Numărul de tokenuri depinde de modul în care modelul le procesează. O captură de ecran sau o pagină scanată ocupă spațiu de context chiar și atunci când textul din ea nu a fost copiat în chat.
O fereastră de context mai mare costă mai mult?
Nu neapărat. O fereastră mai mare descrie cât de mult poate gestiona un model, nu cât din această capacitate folosește o sarcină.
Există o modalitate de a vedea cât din fereastra de context a folosit o conversație?
Uneori. Unele aplicații afișează un indicator de context care arată cât de plină este fereastra. Un contor care arată „mesaje rămase” înseamnă altceva: câte solicitări mai poate face contul, nu câte informații mai poate include modelul în conversație. Căutați în mod specific un indicator de context.
Poate cineva să continue o conversație care i-a fost partajată?
Da. În Perplexity, cineva poate citi o conversație partajată și poate pune o întrebare suplimentară. Acea întrebare începe o conversație nouă în contul său, iar conversația inițială rămâne neschimbată.