Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Ventana de contexto

Una ventana de contexto (context window) es la cantidad máxima de texto, contada en tokens, que un modelo de lenguaje puede tener en cuenta a la vez, e incluye el system prompt, la conversación, los documentos, los resultados de herramientas y la respuesta que escribe.

También llamado: context length, max tokens, long context, 1M context

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

La ventana de contexto funciona como la memoria de trabajo del modelo para una petición. Es independiente de lo que el modelo aprendió en el entrenamiento. Si algo no está en la ventana, el modelo no lo puede ver.

Qué cuenta

Todo lo que envías cuenta: el system prompt, cada mensaje anterior, los documentos pegados, las imágenes, las definiciones de herramientas y los resultados de herramientas. La salida también cuenta, incluido cualquier razonamiento oculto. Los tamaños se miden en tokens, no en palabras ni en caracteres.

Contexto largo

Contexto largo se refiere a modelos con ventanas muy grandes. La documentación de Anthropic, por ejemplo, indica una ventana de contexto de hasta 1M tokens según el modelo. Una etiqueta "1M context" significa que caben aproximadamente un millón de tokens en una petición. Basta para un código grande o para varios informes largos.

Límites

Una ventana más grande no es automáticamente mejor. Anthropic señala que la precisión y el recuerdo se degradan a medida que crece el número de tokens, un efecto llamado context rot. Los prompts largos también cuestan más y tardan más, y la caché KV que los guarda consume memoria en el servidor. Por eso el context engineering, elegir qué entra en la ventana, importa tanto como su tamaño.

Términos relacionados

Token (LLM)
Un token (LLM) es la unidad básica de texto que un modelo de lenguaje lee y escribe, a menudo una palabra, parte de una palabra, un signo de puntuación o un byte. Los precios, la velocidad y los límites de contexto se cuentan en tokens.
Caché KV
Una caché KV (KV cache) guarda las claves y los valores de atención que un transformer ya ha calculado para los tokens anteriores, de modo que cada token nuevo solo necesita trabajo para sí mismo. Acelera la generación, pero ocupa memoria de GPU que crece con la longitud del contexto.
Context engineering
El context engineering (ingeniería de contexto) es la práctica de elegir y mantener todo lo que entra en la ventana de contexto de un modelo de lenguaje durante una tarea: instrucciones, documentos recuperados, definiciones de herramientas, resultados de herramientas e historial de la conversación.
Context rot
El context rot (deterioro del contexto) es la caída de la precisión y la fiabilidad de un modelo de lenguaje a medida que su entrada se alarga, incluso cuando la entrada aún cabe en la ventana de contexto y la información necesaria está presente.
Compactación del contexto
La compactación del contexto (context compaction) es el paso en el que un agente resume una conversación que se acerca al límite de su ventana de contexto y continúa en una ventana nueva que parte de ese resumen, para que una tarea larga pueda seguir adelante.
Tokens de salida
Los tokens de salida (output tokens) son los tokens que genera un modelo de lenguaje en su respuesta. Se cuentan y se facturan aparte de los tokens de entrada, y un ajuste max_tokens limita cuántos puede contener una respuesta.

Fuentes