---
title: "Ano ang context window sa LLM? Mga limit, ipinaliwanag"
description: "Ang context window ang pinakamaraming token na kaya ng LLM sa isang request, prompt at output. Ano ang binibilang, ano ang nangyayari kapag puno, at mga laki."
url: https://broadrouter.com/fil/glossary/context-window/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/context-window/) (na-update noong 2026-11-14).

# Context window

Na-update 2026-11-14

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

Tinatawag ding: context, context length, laki ng context, token limit, context limit, context window, context size

Ang context window ang working memory ng model para sa isang request. Lahat ng kailangang makita ng model, at lahat ng isinusulat nito pabalik, ay kailangang magkasya rito.

## Paano ito gumagana

Sa [token](https://broadrouter.com/fil/glossary/token/) sinusukat ang window. Inilalarawan ito ng docs ng Anthropic bilang “all the text a language model can reference when generating a response, including the response itself.” (Salin ng BroadRouter: “lahat ng text na puwedeng balikan ng language model habang bumubuo ng sagot, kasama ang mismong sagot.”) Kasama rito ang:

-   ang system prompt at bawat mensahe, kasama ang mga naunang turn;
-   tool definitions at tool results;
-   mga dokumento at larawan;
-   ang output, kasama ang nakatagong [reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/).

Kaya hati ang budget. Sa window na 1,048,576 token, ang prompt na 1,040,000 token ay mag-iiwan ng mga 8,000 token para sa reasoning at sagot. I-set ang [`max_tokens`](https://broadrouter.com/fil/glossary/max-tokens/) nang may ganitong isip.

Hindi naaalala ng model ang mga naunang request. Mukhang tuloy-tuloy ang chat dahil lang ipinapadala ulit ng client ang history sa bawat turn, kaya unti-unting napupuno ng mahabang usapan ang window.

## Bakit ito mahalaga

-   **Kakayahan.** Sa malaking window, kasya sa isang request ang buong codebase, isang set ng kontrata o ilang oras ng transcript, kaya napag-uugnay ng model ang mga impormasyon sa mga ito.
-   **Gastos.** Sinisingil bilang input ang bawat token sa window sa isang per-token na key. Pinabababa ng [caching](https://broadrouter.com/fil/glossary/cached-input-tokens/) ang presyo ng paulit-ulit na prefix, pero sumasakop pa rin sa window ang mga cached token.
-   **Kalidad.** Hindi laging mas maganda ang mas marami. “Context rot” ang tawag ng Anthropic sa pagbaba ng accuracy sa napakahahabang prompt. Piliin nang maingat ang ipinapadala mo.
-   **Latency.** Mas matagal bago lumabas ang unang token sa mahahabang prompt.

## Sa BroadNet Inference

| Model | Context window |
| --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | 1,048,576 token |
| [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/) | 1,048,576 token |
| [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) | 262,144 token |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) | 32,768 token |

Sakop ng window ang prompt at sagot nang magkasama, at hindi binabawasan ng BroadNet ang context mo. Nagre-reason muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B bago sumagot, kaya mag-iwan ng espasyo: walang laman ang sagot kapag puno ang window at maliit ang output budget. Tingnan kung [bakit walang laman ang sagot ng mga reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/).

Kasama sa mga unlimited plan ang buong 1M-token na window sa DeepSeek V4.1 Flash. Para malaman kung kailan mas sulit ang ganito kalaking context kaysa sa retrieval, basahin ang [gabay sa 1M-token na context window](https://broadrouter.com/fil/blog/million-token-context-window-guide/).

## Mga karaniwang pagkakamali

-   Pagturing sa window bilang haba ng output. Hiwalay na itinatakda ang output limit gamit ang `max_tokens`.
-   Walang katapusang pagpapadala ng buong history. Ibuod o tanggalin ang mga lumang turn bago mapuno ang window.

## Mga tanong

### Ano ang mangyayari kung mas mahaba ang prompt ko kaysa sa context window?

Tatanggihan ng API ang request, kadalasan na may 400 error. Halimbawa, ibinabalik ng Anthropic ang "prompt is too long" (Salin ng BroadRouter: "masyadong mahaba ang prompt"). May mga chat app na kusang nagbabawas ng lumang mensahe; karamihan sa mga API ay hindi.

### Mas maganda ba lagi ang mas malaking context window?

Hindi. Mas mahal at mas matagal iproseso ang mahahabang prompt, at ayon sa Anthropic, puwedeng bumaba ang accuracy at recall habang dumarami ang token. Ipadala lang ang kailangan ng task.

### Binabawasan ba ng BroadNet ang context ko?

Hindi. Hindi binabawasan ng BroadNet Inference ang context mo. Kung hindi kasya ang request, ikaw mismo ang magpaikli nito.

## Tingnan din

-   [Token](https://broadrouter.com/fil/glossary/token/) (termino)
-   [max\_tokens](https://broadrouter.com/fil/glossary/max-tokens/) (termino)
-   [Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/) (termino)
-   [Cached input token (cached input tokens)](https://broadrouter.com/fil/glossary/cached-input-tokens/) (termino)
-   [KV cache](https://broadrouter.com/fil/glossary/kv-cache/) (termino)
-   [Context rot](https://broadrouter.com/fil/glossary/context-rot/) (termino)
-   [Lost in the middle](https://broadrouter.com/fil/glossary/lost-in-the-middle/) (termino)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/fil/glossary/rag/) (termino)
-   [Context compaction](https://broadrouter.com/fil/glossary/context-compaction/) (termino)
-   [Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/) (gabay)
-   [Kailan sulit ang 1M-token na context window (at kailan hindi)](https://broadrouter.com/fil/blog/million-token-context-window-guide/) (artikulo)
-   [Cached input token: paano nito binabawasan ang LLM API bill mo](https://broadrouter.com/fil/blog/cached-input-tokens-explained/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [Anthropic, context windows](https://platform.claude.com/docs/en/build-with-claude/context-windows)
-   [OpenAI, reasoning models (sumasakop sa context window ang reasoning tokens)](https://developers.openai.com/api/docs/guides/reasoning)
-   [Machine-readable na presyo at haba ng context ng BroadNet Inference (pricing.json) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-context-window&utm_content=sources)
