---
title: "1M ٹوکن کانٹیکسٹ ونڈو: کب مفید اور کتنی لاگت | BroadRouter"
description: "1,048,576 ٹوکن میں کیا سماتا ہے، DeepSeek V4.1 Flash پر اس کی لاگت کیا ہے، ریزننگ اور کیشنگ حساب کیسے بدلتے ہیں، اور کب RAG اب بھی بہتر ہے۔"
url: https://broadrouter.com/ur/blog/million-token-context-window-guide/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/million-token-context-window-guide/) (اپ ڈیٹ: 2026-11-14).

# 1M ٹوکن کانٹیکسٹ ونڈو کب فائدہ مند ہے (اور کب نہیں)

BroadNet Inference ٹیم · 4 منٹ کی پڑھائی · شائع شدہ 2026-11-14

1M ٹوکن کانٹیکسٹ ونڈو ایک ہی درخواست میں پورا کوڈ بیس، معاہدوں کا سیٹ یا گھنٹوں کی ٹرانسکرپٹس رکھنے دیتی ہے، تاکہ ماڈل بازیافت شدہ ٹکڑوں کے بجائے سب کچھ ایک ساتھ دیکھے۔ یہ کئی فائلوں میں پھیلے استدلال اور ایک بار کے تجزیے میں فائدہ مند ہے؛ بڑے، بدلتے کارپس پر بار بار کی تلاش میں بازیافت سستی ہے۔ DeepSeek V4.1 Flash اور GLM 5.3 1,048,576 ٹوکن قبول کرتے ہیں۔

## اہم نکات

-   DeepSeek V4.1 Flash اور GLM 5.3 فی درخواست 1,048,576 ٹوکن قبول کرتے ہیں، پرامپٹ اور جواب ملا کر۔
-   جب جواب کئی فائلوں یا دستاویزات کے درمیان تعلق پر منحصر ہو تو لانگ کانٹیکسٹ بازیافت سے بہتر ہے۔
-   بڑے، بدلتے کارپس پر بہت سی چھوٹی تلاشوں کے لیے بازیافت (RAG) اب بھی بہتر ہے۔
-   ماڈلز لمبے ان پٹ کا غیر یکساں استعمال کرتے ہیں۔ تحقیق دکھاتی ہے کہ بیچ میں دبے حقائق پر اور ان پٹ بڑھنے کے ساتھ درستی گرتی ہے۔
-   کیشنگ ایک ہی لمبا پرامپٹ دوبارہ بھیجنے کی لاگت کم کرتی ہے؛ لامحدود پلان پر لمبے پرامپٹ کا کوئی اضافی خرچ نہیں۔
-   ونڈو کے اندر ریزننگ ٹوکن کے لیے جگہ چھوڑیں۔

**اس صفحے پر**

1.  دس لاکھ ٹوکن میں کیا سماتا ہے؟
2.  BroadNet کے کن ماڈلز میں 1M ٹوکن کانٹیکسٹ ونڈو ہے؟
3.  1M ٹوکن ونڈو کب فائدہ مند ہے؟
4.  بازیافت کب اب بھی بہتر انتخاب ہے؟
5.  کیا ماڈل واقعی پوری ونڈو استعمال کرتا ہے؟
6.  دس لاکھ ٹوکن کے پرامپٹ کی لاگت کیا ہے؟
7.  جواب کے لیے کتنی جگہ چھوڑنی چاہیے؟
8.  1M ٹوکن پرامپٹ کے لیے کوڈ بیس کیسے تیار کریں
9.  BroadNet Inference کہاں فٹ ہوتا ہے

_[image: Light shining through towering cliffs made of stacked paper pages.]_

[کانٹیکسٹ ونڈوز](https://broadrouter.com/ur/glossary/context-window/) چند ہزار ٹوکن سے بڑھ کر دس لاکھ سے زیادہ ہو گئی ہیں۔ BroadNet Inference پر [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) اور [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) **فی درخواست 1,048,576 ٹوکن** قبول کرتے ہیں، پرامپٹ اور جواب ملا کر۔ اس سے آپ کے بنانے کا طریقہ بدل سکتا ہے، لیکن اس سے ہر پرامپٹ بہتر نہیں ہو جاتا۔

## دس لاکھ ٹوکن میں کیا سماتا ہے؟

موٹے اندازے کے لیے: ہمارے [ٹوکنائزر کارکردگی ڈیٹاسیٹ](https://broadrouter.com/data/tokenizer-efficiency/) میں انگریزی نثر کے 1,000 الفاظ پانچ ٹوکنائزرز کے اوسط سے تقریباً 1,290 [ٹوکن](https://broadrouter.com/ur/glossary/token/) بنے، اس لیے دس لاکھ ٹوکن موٹے طور پر سادہ نثر کے 810,000 الفاظ ہیں:

| مواد | موٹے طور پر |
| --- | --- |
| درمیانے سائز کا کوڈ بیس (دسیوں ہزار لائنیں) | سما جاتا ہے، جگہ بچتی ہے |
| شیڈولز کے ساتھ کئی لمبے معاہدے | سما جاتے ہیں |
| ایک دن کی میٹنگز کی ٹرانسکرپٹس | سما جاتی ہیں |
| ڈیپینڈنسیز کے ساتھ بڑا monorepo | اکثر نہیں؛ ڈائریکٹریز چنیں |

ٹوکن کی گنتی زبان اور مواد پر منحصر ہے۔ کوڈ اور عربی متن اکثر انگریزی نثر سے فی حرف زیادہ ٹوکن لیتے ہیں۔ اندازہ لگانے کے بجائے اصل درخواست کے `usage` بلاک سے ناپیں، یا [کانٹیکسٹ ونڈو کیلکولیٹر](https://broadrouter.com/tools/context-window-calculator/) میں ایک نمونہ دیکھیں۔

## BroadNet کے کن ماڈلز میں 1M ٹوکن کانٹیکسٹ ونڈو ہے؟

| ماڈل | کانٹیکسٹ ونڈو | ان پٹ | آؤٹ پٹ | تصاویر |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) | 1,048,576 | $0.175 | $0.52 | ہاں |
| [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) | 1,048,576 | $0.78 | $3.46 | نہیں |
| [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) | 262,144 | $0.175 | $2.17 | ہاں |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) | 32,768 | $0.10 | $0.22 | ہاں |

قیمتیں فی 1M ٹوکن ہیں۔ GLM 5.3 اسی 1M ونڈو پر ٹول کالنگ اور اسٹرکچرڈ آؤٹ پٹ بھی دیتا ہے۔

## 1M ٹوکن ونڈو کب فائدہ مند ہے؟

-   **کئی فائلوں میں پھیلا استدلال۔** ”یہ ٹیسٹ کیوں ناکام ہوتا ہے؟“ اکثر ایسی پانچ فائلوں پر منحصر ہوتا ہے جنہیں کوئی ایک ساتھ بازیافت کرنے کا نہیں سوچے گا۔
-   **پوری دستاویز کا جائزہ۔** شق 4 اور شیڈول B کے درمیان ٹکراؤ ڈھونڈنے کے لیے دونوں کا سامنے ہونا ضروری ہے۔
-   **ایک بار کا تجزیہ۔** جو سوال آپ ایک ہی بار پوچھیں گے، اس کے لیے بازیافت کا انڈیکس بنانے میں جتنی محنت لگتی ہے اتنی بچتی نہیں۔
-   **ایجنٹس۔** جو ذیلی ایجنٹ پورا ماڈیول پڑھ سکتا ہے، وہ کم غلط اندازے لگاتا ہے۔ دیکھیں [متوازی ایجنٹس چلانا](https://broadrouter.com/ur/blog/run-parallel-coding-agents-flat-rate/)۔

## بازیافت کب اب بھی بہتر انتخاب ہے؟

بازیافت تب بہتر ہے جب کسی بھی ونڈو سے کہیں بڑی لائبریری پر بہت سی چھوٹی تلاشیں ہوں، مواد ہر منٹ بدلتا ہو، اور تیز انٹرایکٹو جواب چاہییں جہاں پہلے بہت بڑا پرامپٹ پڑھنے سے تاخیر بڑھتی ہے۔ بہت سے پروڈکشن سسٹم دونوں کرتے ہیں: سب سے متعلقہ 200,000 ٹوکن بازیافت کرتے ہیں، پھر لانگ کانٹیکسٹ ماڈل کو ان سب پر استدلال کرنے دیتے ہیں۔ فی کوئری لاگت، لیٹنسی اور ریکال کو آمنے سامنے رکھ کر پورا فیصلہ [لانگ کانٹیکسٹ بمقابلہ RAG](https://broadrouter.com/ur/blog/long-context-vs-rag/) میں ہے۔

## کیا ماڈل واقعی پوری ونڈو استعمال کرتا ہے؟

یکساں نہیں۔ اس پر تحقیق متفق ہے:

-   [Lost in the Middle](https://arxiv.org/abs/2307.03172) مقالے (Liu et al.) نے پایا کہ کارکردگی “is often highest when relevant information occurs at the beginning or end of the input context” (ترجمہ: اکثر تب سب سے زیادہ ہوتی ہے جب متعلقہ معلومات ان پٹ کانٹیکسٹ کے شروع یا آخر میں ہوں)۔
-   Chroma کی [Context Rot](https://www.trychroma.com/research/context-rot) رپورٹ نے 18 ماڈلز ٹیسٹ کیے اور پایا کہ “performance grows increasingly unreliable as input length grows” (ترجمہ: ان پٹ کی لمبائی بڑھنے کے ساتھ کارکردگی مسلسل کم قابل اعتماد ہوتی جاتی ہے)، سادہ کاموں پر بھی۔

ان مطالعات نے BroadNet پر ماڈلز ٹیسٹ نہیں کیے، اس لیے انہیں پیمائش نہیں، انتباہ سمجھیں۔ عملی اصول: دس لاکھ ٹوکن قبول کرنے والی ونڈو کا مطلب یہ نہیں کہ ہر ٹوکن پر برابر توجہ جاتی ہے۔ سب سے اہم مواد شروع یا آخر کے قریب رکھیں، اور اپنی دستاویزات پر ریکال ٹیسٹ کریں۔

## دس لاکھ ٹوکن کے پرامپٹ کی لاگت کیا ہے؟

[استعمال کے مطابق ادائیگی](https://broadrouter.com/ur/glossary/pay-as-you-go/) والی کلید پر DeepSeek V4.1 Flash فی 1M ان پٹ ٹوکن $0.175 اور فی 1M [کیش شدہ ان پٹ ٹوکن](https://broadrouter.com/ur/glossary/cached-input-tokens/) $0.0055 بل کرتا ہے۔ پورا دس لاکھ ٹوکن کا پرامپٹ پہلی بار تقریباً $0.175 پڑتا ہے، اور پری فکس کیش ہونے پر دہرائی جانے والی کالز پر بہت کم۔ [اپنی کیش ریٹ کیسے بڑھائیں](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)۔

[پرامپٹ کیشنگ کیلکولیٹر](https://broadrouter.com/tools/prompt-caching-calculator/) دکھاتا ہے کہ آپ کے پرامپٹ سائز پر کیش ہٹ کتنا بچاتا ہے۔ ایک حل شدہ مثال: ایک ہی 800,000 ٹوکن معاہدوں کے سیٹ پر دس سوال۔ کیشنگ کے بغیر یہ $0.175 فی 1M پر 8M ٹوکن ہے۔ اگر دستاویزات پہلے آئیں اور ایک جیسی رہیں تو پہلی کال 800,000 نئے ٹوکن پڑھتی ہے اور اگلی نو ان میں سے زیادہ تر $0.0055 فی 1M پر کیش سے پڑھ سکتی ہیں۔ صرف سوال اور جواب بدلتے ہیں۔

لامحدود پلان پر پرامپٹ کا سائز بل نہیں بدلتا: Full Moon فی سیشن $60 ماہانہ ہے، بغیر ٹوکن میٹر کے۔ اسی لیے لانگ کانٹیکسٹ ایجنٹس [فی ٹوکن بلنگ کے بجائے مقررہ قیمت والا پلان](https://broadrouter.com/ur/blog/flat-rate-vs-pay-per-token-llm-api/) چننے کی ایک عام وجہ ہیں۔

## جواب کے لیے کتنی جگہ چھوڑنی چاہیے؟

ونڈو میں پرامپٹ **اور** آؤٹ پٹ دونوں آتے ہیں، اور ریزننگ ماڈلز پر آؤٹ پٹ میں تھنکنگ شامل ہے۔ اگر آپ 1,040,000 ٹوکن کا پرامپٹ بھیجتے ہیں تو [ریزننگ](https://broadrouter.com/ur/glossary/reasoning-tokens/) اور جواب کے لیے صرف تقریباً 8,000 بچتے ہیں۔ مارجن رکھیں، [`max_tokens`](https://broadrouter.com/ur/glossary/max-tokens/) واضح طور پر سیٹ کریں، اور پڑھیں [ریزننگ ماڈلز خالی جواب کیوں لوٹا سکتے ہیں](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)۔

## 1M ٹوکن پرامپٹ کے لیے کوڈ بیس کیسے تیار کریں

1.  **جو ماڈل کو نہیں چاہیے اسے باہر رکھیں۔** لاک فائلیں، بلڈ آؤٹ پٹ، vendored ڈیپینڈنسیز، تصاویر اور جنریٹ کیا گیا کوڈ ٹوکن لیتے ہیں اور شور بڑھاتے ہیں۔
2.  **بھیجنے سے پہلے گنیں۔** ایک چھوٹا نمونہ بھیجیں، usage سے `prompt_tokens` پڑھیں، اور اسی تناسب سے بڑھائیں۔
3.  **استحکام کی ترتیب میں رکھیں۔** کم بدلنے والی فائلیں پہلے، جن فائلوں پر کام چل رہا ہے وہ آخر میں، اور سوال بالکل آخر میں۔ اس سے پری فکس کیش کے قابل رہتا ہے۔
4.  **ہر فائل پر لیبل لگائیں۔** فائلوں کو `=== path/to/file.py ===` جیسے واضح نشانات میں لپیٹیں تاکہ ماڈل ان کا حوالہ دے سکے۔
5.  **حوالے مانگیں۔** ”جس لائن پر آپ انحصار کرتے ہیں اسے نقل کریں“ بہت بڑے ان پٹ پر پُراعتماد غلطیاں کم کرتا ہے۔
6.  **ناپیں۔** ہر درخواست پر پرامپٹ ٹوکن، کیش شدہ ٹوکن اور پہلے ٹوکن تک کا وقت لاگ کریں۔ [اسٹریمنگ](https://broadrouter.com/ur/guides/streaming-chat-completions/) پہلا ٹوکن آتے ہی دکھا دیتی ہے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

اس کے دو چیٹ ماڈلز فی درخواست 1,048,576 ٹوکن لیتے ہیں، اور BroadNet آپ کا کانٹیکسٹ نہیں کاٹتا۔ فی ٹوکن کلید پر کیشنگ دہرائے جانے والے لمبے پرامپٹس کو قابل برداشت رکھتی ہے؛ پلان سیشن پر پرامپٹ کا سائز بل پر اثر نہیں ڈالتا۔ اگر آپ کا کارپس دس لاکھ ٹوکن سے کہیں بڑا ہے یا ہر منٹ بدلتا ہے تو آپ کو اب بھی بازیافت چاہیے، اور کوئی بھی ونڈو سائز اسے نہیں بدلتا۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/)

کانٹیکسٹ ونڈو ٹوکنز کی وہ زیادہ سے زیادہ تعداد ہے جس کے ساتھ لینگویج ماڈل ایک درخواست میں کام کر سکتا ہے۔ اس میں پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز، تصاویر اور بننے والا آؤٹ پٹ، ریزننگ ٹوکنز سمیت، سب شامل ہیں۔ جو اس میں نہ سمائے اسے کاٹنا، خلاصہ کرنا یا کئی درخواستوں میں بانٹنا پڑتا ہے۔

[کیش شدہ ان پٹ ٹوکن (cached input tokens)](https://broadrouter.com/ur/glossary/cached-input-tokens/)

کیش شدہ ان پٹ ٹوکن وہ پرامپٹ ٹوکن ہیں جنہیں LLM فراہم کنندہ نے حال ہی میں پروسیس کیا ہو اور دوبارہ حساب کرنے کے بجائے کیش سے پھر استعمال کر سکے، عموماً سسٹم پرامپٹ یا دستاویز جیسا دہرایا گیا پریفکس۔ فراہم کنندگان ان کا بل نئے ان پٹ ٹوکنز سے کم شرح پر بناتے ہیں۔

[کانٹیکسٹ روٹ (context rot)](https://broadrouter.com/ur/glossary/context-rot/)

کانٹیکسٹ روٹ درستگی اور بھروسے کا وہ بتدریج نقصان ہے جو لینگویج ماڈلز میں ان پٹ لمبا ہونے پر نظر آتا ہے، تب بھی جب کام وہی رہے اور ان پٹ کانٹیکسٹ ونڈو کے اندر ہی ہو۔ یہ اصطلاح 2025 کی Chroma تکنیکی رپورٹ سے مشہور ہوئی، جس نے 18 ماڈلز ٹیسٹ کیے۔

[Lost in the middle (درمیان میں کھو جانا)](https://broadrouter.com/ur/glossary/lost-in-the-middle/)

Lost in the middle لینگویج ماڈلز کا مشاہدہ شدہ رجحان ہے کہ وہ متعلقہ معلومات کا سب سے اچھا استعمال تب کرتے ہیں جب وہ لمبے ان پٹ کے شروع یا آخر کے قریب ہو، اور سب سے برا تب جب وہ درمیان میں ہو۔ یہ نام Liu اور ساتھیوں کی 2023 کی تحقیق نے دیا۔

## عام سوالات

### کیا BroadNet لمبے پرامپٹ کاٹتا ہے؟

نہیں۔ BroadNet آپ کا کانٹیکسٹ نہیں کاٹتا۔ اگر پرامپٹ اور max\_tokens مل کر ماڈل کی ونڈو سے زیادہ ہیں تو خاموش کٹوتی پر بھروسا کرنے کے بجائے پرامپٹ مختصر کریں۔

### 10 لاکھ ٹوکن میں کتنے الفاظ ہوتے ہیں؟

یہ زبان اور مواد پر منحصر ہے۔ BroadRouter کے ٹوکنائزر ڈیٹاسیٹ میں انگریزی نثر تقریباً 129 ٹوکن فی 100 الفاظ ناپی گئی (1,000 الفاظ تقریباً 1,290 ٹوکن، پانچ ٹوکنائزرز کا اوسط)، اس لیے 1,048,576 ٹوکن میں موٹے طور پر 810,000 الفاظ آتے ہیں، یعنی ہزار سے کہیں زیادہ صفحات۔ تکنیکی متن، کوڈ اور عربی کو زیادہ ٹوکن چاہییں، اس لیے اپنا اصل مواد گنیں۔

### کیا 1M ٹوکن والی درخواست سست ہوتی ہے؟

یہ مختصر درخواست سے شروع ہونے میں زیادہ وقت لیتی ہے، کیونکہ ماڈل کو پہلے پورا پرامپٹ پڑھنا ہوتا ہے۔ دہرائی جانے والی کالز پر کیش شدہ پری فکس عموماً مدد کرتے ہیں۔ اپنے پرامپٹس پر پہلے ٹوکن تک کا وقت ناپیں۔

### کیا LLMs واقعی پوری کانٹیکسٹ ونڈو استعمال کرتے ہیں؟

یکساں نہیں۔ Lost in the Middle مقالے نے پایا کہ درستی اکثر تب سب سے زیادہ ہوتی ہے جب متعلقہ معلومات ان پٹ کے شروع یا آخر میں ہوں، اور Chroma کی Context Rot رپورٹ نے پایا کہ ان پٹ کی لمبائی بڑھنے پر بھروسا گرتا ہے۔ اہم مواد کناروں پر رکھیں اور اپنے ڈیٹا پر ٹیسٹ کریں۔

### کیا مجھے RAG استعمال کرنا چھوڑ دینا چاہیے؟

ضروری نہیں۔ جب ماڈل کو سب کچھ ایک ساتھ دیکھنا ہو تو لانگ کانٹیکسٹ استعمال کریں، اور جب بہت بڑی لائبریری سے چند حقائق چاہییں تو بازیافت۔ بہت سے سسٹم دونوں کو ملاتے ہیں۔

### اگر میرا پرامپٹ کانٹیکسٹ ونڈو سے بڑا ہو تو کیا ہوگا؟

BroadNet اسے آپ کے لیے نہیں کاٹتا، اس لیے درخواست ویسے نہیں چلے گی جیسا آپ چاہتے ہیں۔ بھیجنے سے پہلے فائلیں ہٹائیں، پرانی باریوں کا خلاصہ بنائیں، یا صرف متعلقہ حصے بازیافت کریں۔

## مزید پڑھیں

-   [کیش شدہ ان پٹ ٹوکن کیا ہیں: LLM API کا بل کیسے کم کریں](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)
-   [مقررہ قیمت والے LLM API پر متوازی کوڈنگ ایجنٹس کیسے چلائیں](https://broadrouter.com/ur/blog/run-parallel-coding-agents-flat-rate/)
-   [مقررہ قیمت بمقابلہ فی ٹوکن ادائیگی والا LLM API: بریک ایون کا حساب](https://broadrouter.com/ur/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)
-   [گائیڈ: chat completions اسٹریم کریں اور ٹوٹے کنکشن سنبھالیں](https://broadrouter.com/ur/guides/streaming-chat-completions/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-million-token-context-window-guide&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference کی مشین سے پڑھی جانے والی قیمتیں اور کانٹیکسٹ کی لمبائیاں (pricing.json) (انگریزی میں)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-million-token-context-window-guide&utm_content=sources)
-   [BroadNet Inference کا API ریفرنس (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-million-token-context-window-guide&utm_content=sources)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172)](https://arxiv.org/abs/2307.03172)
-   [Chroma، Context Rot: How Increasing Input Tokens Impacts LLM Performance (جولائی 2025)](https://www.trychroma.com/research/context-rot)
