---
title: "O que é context rot? Por que LLMs pioram com entradas longas"
description: "Context rot é a queda de precisão de um LLM conforme a entrada fica mais longa, bem antes de a janela de contexto encher. O que a Chroma mediu em 18 modelos."
url: https://broadrouter.com/pt/glossary/context-rot/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/context-rot/) (atualizado em 2026-11-14).

# Context rot (degradação de contexto)

Atualizado em 2026-11-14

Context rot é a perda gradual de precisão e confiabilidade que os modelos de linguagem mostram conforme a entrada fica mais longa, mesmo quando a tarefa é a mesma e a entrada está bem dentro da janela de contexto. O termo foi popularizado por um relatório técnico da Chroma de 2025 que testou 18 modelos.

Também chamado de: degradação de contexto, degradação em contexto longo, perda de precisão com contexto longo, context rot, context degradation, long-context degradation, context decay, context window degradation

Um modelo que aceita um milhão de tokens não usa o milionésimo token tão bem quanto os primeiros mil. Essa diferença é o context rot.

## Como funciona

O relatório da Chroma (Hong, Troynikov e Huber, julho de 2025) testou 18 modelos, entre eles GPT-4.1, Claude 4, Gemini 2.5 e Qwen3, em tarefas que continuavam igualmente difíceis enquanto a entrada crescia. A conclusão principal: “model performance consistently degrades with increasing input length” (tradução: o desempenho dos modelos piora de forma consistente com o aumento do tamanho da entrada).

Três efeitos se destacaram:

-   **Correspondências fracas sofrem mais.** Quando a pergunta e o trecho relevante têm poucas palavras em comum, a precisão caía mais rápido com o aumento do tamanho.
-   **Distratores atrapalham.** “Even a single distractor reduces performance relative to the baseline” (tradução: mesmo um único distrator reduz o desempenho em relação à linha de base), e quatro pioravam a situação. Um distrator é um trecho sobre o mesmo assunto que não responde à pergunta.
-   **A estrutura importa, de um jeito curioso.** Texto de preenchimento coerente atrapalhava mais do que as mesmas frases embaralhadas. Os autores concluíram que “structural coherence consistently hurts model performance” (tradução: a coerência estrutural prejudica de forma consistente o desempenho do modelo).

Isso se apoia em trabalhos anteriores como o [lost in the middle](https://broadrouter.com/pt/glossary/lost-in-the-middle/), que mostrou efeitos de posição. O context rot amplia a questão: o próprio tamanho, e não só a posição, custa precisão.

## Por que isso importa

-   **Agentes.** Um [agente](https://broadrouter.com/pt/glossary/agent/) de programação ou de pesquisa acumula leituras de arquivos, logs e resultados antigos de ferramentas. Cada um é um distrator em potencial. A precisão pode cair muito antes de a [janela de contexto](https://broadrouter.com/pt/glossary/context-window/) encher.
-   **Custo e latência.** Prompts mais longos também custam mais tokens de entrada e demoram mais para processar, então enxugar ajuda em três frentes ao mesmo tempo.
-   **Contexto longo vs. recuperação.** Enviar um corpus inteiro é simples, mas o [RAG](https://broadrouter.com/pt/glossary/rag/), que envia só os chunks relevantes, deixa os distratores de fora.

## Na BroadNet Inference

DeepSeek V4.1 Flash e GLM 5.3 da BroadNet aceitam até 1.048.576 tokens, e o Qwen3.8 27B até 262.144. A BroadNet não corta o seu contexto, então o que você envia é o que o modelo lê. Trate o limite como teto, não como meta. O [guia da janela de contexto de 1M de tokens](https://broadrouter.com/pt/blog/million-token-context-window-guide/) mostra quando uma janela cheia compensa, e [gerenciamento de contexto para agentes de longa duração](https://broadrouter.com/pt/blog/long-running-agent-context-management/) mostra padrões de resumo e poda. A [calculadora de janela de contexto](https://broadrouter.com/tools/context-window-calculator/) ajuda a dimensionar um prompt antes de enviá-lo.

## Erros comuns

-   Colar todos os arquivos “só por garantia”. Texto relacionado, mas irrelevante, é exatamente o que os testes de distratores da Chroma usaram.
-   Testar com uma “agulha” que bate palavra por palavra com a pergunta. Perguntas reais raramente fazem isso.

## Perguntas frequentes

### Context rot é a mesma coisa que lost in the middle?

Estão relacionados. Lost in the middle trata de onde, no prompt, está o fato-chave. Context rot trata de como o tamanho total da entrada, os distratores e a estrutura reduzem a precisão de modo geral.

### Uma janela de contexto maior resolve o context rot?

Não. Uma janela maior permite enviar mais, mas a Chroma viu o desempenho cair com o crescimento da entrada em todos os modelos testados. Envie o que a tarefa precisa, não tudo o que cabe.

### Como os agentes evitam o context rot?

Mantendo curto o contexto de trabalho: resumindo turnos antigos, descartando saídas de ferramentas que já não servem e carregando arquivos sob demanda em vez de todos de uma vez.

## Veja também

-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [Lost in the middle (perdido no meio)](https://broadrouter.com/pt/glossary/lost-in-the-middle/) (termo)
-   [RAG (geração aumentada por recuperação)](https://broadrouter.com/pt/glossary/rag/) (termo)
-   [Agente de IA (AI agent)](https://broadrouter.com/pt/glossary/agent/) (termo)
-   [Tokens de entrada em cache (cached input)](https://broadrouter.com/pt/glossary/cached-input-tokens/) (termo)
-   [Context engineering (engenharia de contexto)](https://broadrouter.com/pt/glossary/context-engineering/) (termo)
-   [Context compaction (compactação de contexto)](https://broadrouter.com/pt/glossary/context-compaction/) (termo)
-   [Quando vale a pena uma janela de contexto de 1M de tokens (ou não)](https://broadrouter.com/pt/blog/million-token-context-window-guide/) (artigo)
-   [Gestão de contexto para agentes de longa duração com janela de 1M](https://broadrouter.com/pt/blog/long-running-agent-context-management/) (artigo)
-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [Hong, Troynikov e Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance (relatório técnico da 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)
-   [Referência da API da BroadNet Inference, IDs de modelo e contexto (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-context-rot&utm_content=sources#models)
