---
title: "¿Qué es el context rot? LLM que fallan con entradas largas"
description: "El context rot es la caída de precisión de un LLM a medida que la entrada se alarga, mucho antes de llenar la ventana de contexto. Qué midió Chroma en 18 modelos."
url: https://broadrouter.com/es/glossary/context-rot/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/context-rot/) (actualizado el 2026-11-14).

# Context rot (deterioro del contexto)

Actualizado 2026-11-14

El context rot (deterioro del contexto) es la pérdida gradual de precisión y fiabilidad que muestran los modelos de lenguaje cuando su entrada se alarga, aunque la tarea sea la misma y la entrada quepa holgadamente en la ventana de contexto. El término se popularizó con un informe técnico de Chroma de 2025 que evaluó 18 modelos.

También llamado: deterioro del contexto, degradación del contexto, degradación con contexto largo, context rot, context degradation, long-context degradation, context decay, context window degradation

Un modelo que acepta un millón de tokens no aprovecha el token un millón tan bien como los primeros mil. Esa diferencia es el context rot.

## Cómo funciona

El informe de Chroma (Hong, Troynikov y Huber, julio de 2025) evaluó 18 modelos, entre ellos GPT-4.1, Claude 4, Gemini 2.5 y Qwen3, en tareas que mantenían la misma dificultad mientras la entrada crecía. Su conclusión principal: “model performance consistently degrades with increasing input length” (traducción: el rendimiento del modelo se degrada de forma constante al aumentar la longitud de la entrada).

Destacaron tres efectos:

-   **Las coincidencias débiles son las que más sufren.** Cuando la pregunta y el pasaje relevante comparten pocas palabras, la precisión cayó más rápido al crecer la longitud.
-   **Los distractores perjudican.** “Even a single distractor reduces performance relative to the baseline” (traducción: incluso un solo distractor reduce el rendimiento respecto a la línea base), y cuatro lo empeoraron. Un distractor es un pasaje sobre el mismo tema que no responde la pregunta.
-   **La estructura importa, de forma curiosa.** Un texto de relleno coherente perjudicó más que las mismas frases desordenadas. Los autores encontraron que “structural coherence consistently hurts model performance” (traducción: la coherencia estructural perjudica de forma constante el rendimiento del modelo).

Esto se apoya en trabajos anteriores como [lost in the middle](https://broadrouter.com/es/glossary/lost-in-the-middle/), que mostró efectos de posición. El context rot amplía la idea: la longitud en sí, no solo la posición, cuesta precisión.

## Por qué importa

-   **Agentes.** Un [agente](https://broadrouter.com/es/glossary/agent/) de programación o de investigación acumula lecturas de archivos, logs y resultados antiguos de herramientas. Cada uno es un posible distractor. La precisión puede caer mucho antes de que se llene la [ventana de contexto](https://broadrouter.com/es/glossary/context-window/).
-   **Costo y latencia.** Los prompts más largos también cuestan más tokens de entrada y tardan más en procesarse, así que recortar ayuda en tres frentes a la vez.
-   **Contexto largo frente a recuperación.** Enviar un corpus entero es sencillo, pero [RAG](https://broadrouter.com/es/glossary/rag/), que envía solo los fragmentos relevantes, deja fuera los distractores.

## En BroadNet Inference

DeepSeek V4.1 Flash y GLM 5.3 en BroadNet aceptan hasta 1,048,576 tokens, y Qwen3.8 27B hasta 262,144. BroadNet no recorta su contexto, así que lo que usted envía es lo que el modelo lee. Trate el límite como un techo, no como un objetivo. La [guía de la ventana de contexto de 1M de tokens](https://broadrouter.com/es/blog/million-token-context-window-guide/) explica cuándo compensa una ventana llena, y [gestión del contexto para agentes de ejecución prolongada](https://broadrouter.com/es/blog/long-running-agent-context-management/) muestra patrones para resumir y podar. La [calculadora de ventana de contexto](https://broadrouter.com/tools/context-window-calculator/) le ayuda a dimensionar un prompt antes de enviarlo.

## Errores comunes

-   Pegar todos los archivos “por si acaso”. El texto relacionado pero irrelevante es exactamente lo que usaron las pruebas de distractores de Chroma.
-   Probar con una aguja que coincide palabra por palabra con la pregunta. Las preguntas reales rara vez lo hacen.

## Preguntas frecuentes

### ¿El context rot es lo mismo que lost in the middle?

Están relacionados. Lost in the middle trata de en qué parte del prompt está el dato clave. El context rot trata de cómo la longitud total de la entrada, los distractores y la estructura reducen la precisión en general.

### ¿Una ventana de contexto más grande soluciona el context rot?

No. Una ventana más grande le permite enviar más, pero Chroma comprobó que el rendimiento cae al crecer la entrada en todos los modelos que evaluó. Envíe lo que la tarea necesita, no todo lo que cabe.

### ¿Cómo evitan los agentes el context rot?

Manteniendo corto el contexto de trabajo: resumiendo los turnos antiguos, descartando la salida obsoleta de las herramientas y cargando los archivos cuando hacen falta en lugar de todos a la vez.

## Vea también

-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [Lost in the middle (perdido en el medio)](https://broadrouter.com/es/glossary/lost-in-the-middle/) (término)
-   [RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/) (término)
-   [Agente de IA (AI agent)](https://broadrouter.com/es/glossary/agent/) (término)
-   [Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/) (término)
-   [Ingeniería de contexto (context engineering)](https://broadrouter.com/es/glossary/context-engineering/) (término)
-   [Compactación de contexto (context compaction)](https://broadrouter.com/es/glossary/context-compaction/) (término)
-   [Ventana de contexto de 1M de tokens: cuándo compensa y cuándo no](https://broadrouter.com/es/blog/million-token-context-window-guide/) (artículo)
-   [Gestión del contexto en agentes de larga duración con ventana de 1M](https://broadrouter.com/es/blog/long-running-agent-context-management/) (artículo)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-context-rot&utm_content=page-cta) ·

**Fuentes**

-   [Hong, Troynikov y Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance (informe técnico de Chroma, 2025)](https://www.trychroma.com/research/context-rot)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Referencia de la API de BroadNet Inference, IDs de modelo y contexto (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-context-rot&utm_content=sources#models)
