Kontextfönster: vad det är och hur det påverkar vardaglig AI-användning
En guide till kontextfönstret i AI-modeller som tar upp hur det mäts i tokens, vad som fyller det under en konversation, hur stort det är i dagens modeller, vad som händer när en konversation överskrider gränsen och vardagsvanor för att arbeta inom det.

Ett kontextfönster är den mängd text som en AI-modell kan arbeta med på en gång. Den här guiden går igenom vad som fyller det, hur stort det är i dagens modeller och hur du arbetar inom det i vardagen.
Vad ett kontextfönster är
Ett kontextfönster är gränsen för hur mycket text en AI-modell kan hantera på en gång. Gränsen omfattar både texten som går in, till exempel en fråga och eventuella bifogade dokument, och svaret som kommer ut. Om något inte får plats i fönstret kan modellen inte se det eller använda det när den svarar.
Kontextfönstret är skilt från det som en modell lärde sig under träningen. Träningen sker innan en modell släpps, på en mycket stor mängd text, och ger modellen dess allmänna kunskaper och språkfärdigheter. Kontextfönstret innehåller bara materialet för den aktuella uppgiften.
AI-modellen i sig minns inte tidigare meddelanden. Det är appen som den körs i, till exempel Perplexity eller ChatGPT, som sparar konversationen. Vid varje nytt meddelande skickar appen hela konversationen hittills till modellen, inte bara det senaste meddelandet. Modellen läser allt igen innan den svarar, och svaret blir en del av det som skickas nästa gång. En konversation tar upp allt mer plats i fönstret för varje utbyte, så en lång chatt med korta meddelanden kan ändå ta upp mycket utrymme.
Hur ett kontextfönster mäts
Varje meddelande, dokument och svar i en konversation tar upp plats i fönstret. Det tillgängliga utrymmet mäts i tokens snarare än i ett visst antal ord eller sidor.
En token är en textbit som modellen hanterar som en enda enhet. Det kan vara ett kort ord, en del av ett längre ord, ett skiljetecken eller ett ord med mellanslaget framför. 100 tokens motsvarar ungefär 75 ord, enligt OpenAI. Med den ungefärliga uppskattningen för engelsk text skulle en rapport på 3 000 ord motsvara ungefär 4 000 tokens.
Innan en modell läser något delar ett verktyg som kallas tokeniserare upp texten i tokens och omvandlar var och en till ett tal. Modellen bearbetar talen och genererar sitt svar som en sekvens av tokens, som verktyget sedan omvandlar tillbaka till text.
Antalet tokens är inte standardiserat. Det beror på språket och innehållet. Tokeniserare kan skilja sig åt mellan modeller, så samma stycke kan ge olika antal tokens i olika modeller.
Kontextfönster jämfört med sparat minne
Kontextfönstret innehåller det som modellen kan använda för att besvara den aktuella frågan. När en AI till exempel redigerar en rapport tar rapporten, redigeringsinstruktionerna och meddelandena som utbyts under arbetet upp plats i fönstret.
Sparat minne behåller utvalda detaljer mellan konversationer. I Perplexity väljer appen automatiskt vad som ska sparas: den letar efter preferenser och viktig information och ger större vikt åt detaljer som återkommer ofta. En bestående instruktion som ”Använd brittisk engelska i allt jag skriver” är ett exempel på en detalj som är värd att spara, medan ”Gör det här stycket kortare” bara gäller den aktuella uppgiften.
När appen tar med en av dessa detaljer i en ny konversation blir den en del av modellens kontext och tar upp plats i fönstret. I Perplexity finns inställningarna för minnet under Inställningar → Minne. Om du stänger av minnet används det inte längre i framtida svar, men detaljer som redan har sparats raderas inte.
Vad som fyller ett kontextfönster under en konversation
Ett kontextfönster innehåller mycket mer än de ord som en person skriver. I en typisk konversation delar fyra sorters text på utrymmet: instruktioner från appen, konversationshistoriken, material som hämtats från filer eller webben och modellens svar. Det mesta av detta visas aldrig på skärmen.
Instruktioner från appen
Innan en persons meddelande når modellen lägger appen till sina egna instruktioner (ofta kallade en systemprompt). De talar om för modellen hur den ska bete sig: hur svaren ska formateras, vilken ton som ska användas, vilka verktyg den kan använda och detaljer som dagens datum. En del av detta material, till exempel appens interna instruktioner, visas normalt inte för användaren.
Konversationshistorik
För det aktuella svaret omfattar den både modellens tidigare svar och alla personens meddelanden. AI:ns svar är ofta mycket längre än användarens frågor.
Uppladdade filer, webbsidor och sökresultat
Text som hämtas från filer tar upp kontextutrymme tillsammans med konversationen, men en app kan antingen skicka med en hel fil eller välja ut relevanta avsnitt. Perplexity kan till exempel analysera korta filer i sin helhet och extrahera viktiga delar ur längre filer för att besvara frågan.
Sökresultat tar också upp plats. För att besvara en fråga kan Perplexity till exempel söka på webben och ge modellen resultaten att läsa.
Modellens svar och resonemang
Svaret skrivs in i samma fönster, så appen måste lämna plats för det. Vissa modeller genererar också ett internt resonemang medan de arbetar med ett svar, något som personen kanske aldrig ser. Resonemangstext är modellens arbete steg för steg, till exempel att dela upp en fråga i delar eller kontrollera sina egna siffror, och skrivs ut före det slutliga svaret. Den räknas oftast också mot fönstrets gräns.
Kontextfönstrens storlek i dagens AI-modeller
Ett större kontextfönster innebär att en modell kan hantera längre dokument, fler källor och längre konversationer. De ledande modellerna från OpenAI, Anthropic och Google erbjuder nu var och en ett fönster på cirka 1 miljon tokens. Det motsvarar ungefär 1 500 sidor text.
Modell | Leverantör | Kontextfönster (tokens) |
GPT-6 Astra | OpenAI | 1,05 miljoner |
Claude Opus 5.5 | Anthropic | 1 miljon |
Gemini 4 Argon | 1 048 576 |
Leverantörernas API-specifikationer, kontrollerade den 5 november 2026. Gränserna som är tillgängliga i en app kan skilja sig åt.
Ett större fönster betyder inte att en modell använder hela fönstret lika bra. Forskning har visat att prestandan kan bli mindre tillförlitlig när indata blir längre, ett mönster som kallas ”context rot” (kontextförfall).
Gränser för indata och utdata
Kontextfönstret är en gemensam budget för allt som modellen läser och skriver. En modell kan läsa mycket mer än den kan skriva i ett enda svar.
När modellen bearbetar indata kan den arbeta med många tokens parallellt. När den genererar ett svar producerar den oftast tokens i följd och använder det som kom tidigare för att välja vad som kommer härnäst. Den kan inte välja det femte ordet i en mening förrän den känner till de fyra första, så den måste producera svaret en token i taget.
Därför är långa svar mycket långsammare och dyrare att producera än långa indata är att läsa. Det förklarar varför en begäran om att skriva om eller översätta ett mycket långt dokument kan avbrytas halvvägs, och varför det fungerar bättre att be om resultatet i avsnitt.
Vad som händer när en konversation överskrider gränsen
När en konversation blir för stor för kontextfönstret måste appen frigöra utrymme innan modellen kan svara. Appar gör detta på några olika sätt, och vart och ett påverkar vad modellen fortfarande kan se.
Ett sätt är att ta bort de äldsta meddelandena först. Modellen fortsätter då att arbeta med den senaste delen av konversationen. Tidiga instruktioner från användaren, beslut eller dokumentavsnitt kan falla ur fönstret. Modellen kan inte hänvisa till text som den inte längre har, men den talar inte nödvändigtvis om för användaren att något saknas.
Ett annat sätt är att sammanfatta den tidigare delen av konversationen och behålla sammanfattningen i stället för hela texten. Detta är en form av det som kallas kontextkomprimering. En sammanfattning tar upp mycket mindre plats, så konversationen kan pågå mycket längre. Den kan dock utelämna detaljer som exakta siffror, namn eller formuleringar.
När modellen har tagit bort eller komprimerat sin kontext kan den börja fråga efter information som den redan borde ha. Den kan plötsligt sluta följa instruktioner som gavs i början, till exempel ett format eller en önskad ton. Den kan gå emot ett tidigare beslut från användaren eller bli vag om dokumentation som delades tidigare.
Vissa appar avbryter i stället konversationen och ber personen att starta en ny, eller avvisar ett meddelande eller en fil som är för lång för att få plats.
Vardagsvanor för att arbeta inom kontextfönstret
- Starta en ny tråd för varje ny uppgift: Granska till exempel en rapport i en egen konversation i stället för att lägga till den i en befintlig tråd om planeringen av ett evenemang.
- För bara vidare det som behövs: När en uppgift bygger på tidigare arbete kan du be modellen att plocka ut de bekräftade detaljerna och de godkända formuleringarna som behövs för nästa uppgift.
- Dela bara relevant information: Om du till exempel har en fråga om hur deltagarna i en enkät valdes ut kan du dela metodavsnittet och tillhörande anteckningar i stället för hela rapporten.
- Hitta rätt avsnitt innan du delar ett långt dokument: Om en rapport eller handbok har en innehållsförteckning kan du dela den först. Fråga modellen vilka avsnitt som troligen besvarar frågan och kopiera sedan in de avsnitten i konversationen.
- Granska långa dokument i delar: Dela upp en handbok eller rapport efter policy, kapitel eller ämne. Använd separata trådar för fristående granskningar, med samma instruktioner för var och en.
- Be om långa resultat i etapper: Vid en omfattande omskrivning eller översättning kan du be om ett avsnitt i taget i samma tråd. Ange avsnittet eller sidintervallet och kontrollera resultatet innan du ber modellen att fortsätta.
- Ange en lämplig svarslängd: Be om fem slutsatser, en kort förklaring eller en tabell med specifika kolumner. Undvik att be om en detaljerad analys när ett kort svar räcker.
- Be om riktade ändringar: Om du vill ändra ett stycke i ett utkast ber du modellen att bara skriva om det stycket. Ange vad som behöver ändras i stället för att be den återge hela utkastet.
Så hanterar Perplexity kontext
Kontexten i Perplexity omfattar mer än konversationen. Den kan också bygga på information som hittas via livesökning, sparade preferenser och filer som tillhandahålls för en uppgift.
Vid frågor som kräver efterforskning tillhandahåller livesökning källmaterial som modellen kan använda för att bygga upp sitt svar, med källhänvisningar som visar var informationen kommer ifrån. Om du till exempel frågar om en ny förordning kan relevant information från webben tas med i uppgiften utan att du först behöver samla artiklar och klistra in dem i chatten.
Sparat minne bidrar med en annan sorts kontext: relevanta detaljer från tidigare konversationer, till exempel skrivpreferenser eller bakgrund om ett pågående projekt. Perplexity hämtar dessa detaljer vid svar, och minnet fungerar för alla modeller som Perplexity erbjuder. En sparad preferens kan därför finnas kvar när du byter modell i Perplexity.
I projekt hålls filer och instruktioner samman för arbete som sträcker sig över flera konversationer, och projektinstruktionerna gäller för varje fråga. En rapports målgrupp, syfte och skrivkrav kan ligga kvar i projektet, medan efterforskning och utkast görs i separata trådar.
Läs Kom igång med Perplexity för vägledning om hur du ställer frågor, arbetar med filer och bygger vidare på svar med följdfrågor.
Vanliga frågor
Räknas bilder in i kontextfönstret?
Ja. Bilder omvandlas till tokens som tar upp plats tillsammans med texten. Antalet tokens beror på hur modellen bearbetar dem. En skärmbild eller inskannad sida tar upp kontextutrymme även om texten i den inte har kopierats in i chatten.
Kostar ett större kontextfönster mer?
Inte nödvändigtvis. Ett större fönster beskriver hur mycket en modell kan hantera, inte hur stor del av den kapaciteten som en uppgift använder.
Går det att se hur stor del av kontextfönstret en konversation har använt?
Ibland. Vissa appar visar en kontextmätare som anger hur fullt fönstret är. En räknare som visar ”återstående meddelanden” betyder något annat: hur många fler förfrågningar kontot kan göra, inte hur mycket mer information modellen kan få plats med i konversationen. Leta specifikt efter en kontextmätare.
Kan någon fortsätta en konversation som har delats med hen?
Ja. I Perplexity kan någon läsa en delad konversation och ställa en följdfråga. Frågan startar en ny konversation i personens eget konto, och den ursprungliga konversationen förblir oförändrad.