---
title: "کانٹیکسٹ روٹ کیا ہے؟ لمبے ان پٹ پر LLM کیوں بگڑتے ہیں"
description: "کانٹیکسٹ روٹ یعنی ان پٹ لمبا ہونے پر LLM کی درستگی کا گرنا، کانٹیکسٹ ونڈو بھرنے سے کافی پہلے۔ Chroma نے 18 ماڈلز پر کیا ناپا اور اسے کیسے محدود کریں۔"
url: https://broadrouter.com/ur/glossary/context-rot/
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/glossary/context-rot/) (اپ ڈیٹ: 2026-11-14).

# کانٹیکسٹ روٹ (context rot)

اپ ڈیٹ 2026-11-14

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۔

دوسرے نام: کانٹیکسٹ روٹ، لمبے کانٹیکسٹ میں گراوٹ، context rot kya hai، context rot، context degradation، long-context degradation، context decay، context window degradation

جو ماڈل دس لاکھ ٹوکن لے سکتا ہے، وہ دس لاکھویں ٹوکن کو اتنی اچھی طرح استعمال نہیں کرتا جتنا پہلے ہزار کو۔ یہی فرق کانٹیکسٹ روٹ ہے۔

## یہ کیسے کام کرتا ہے

Chroma کی رپورٹ (Hong، Troynikov اور Huber، جولائی 2025) نے 18 ماڈلز، جن میں GPT-4.1، Claude 4، Gemini 2.5 اور Qwen3 شامل تھے، ایسے کاموں پر ٹیسٹ کیے جن کی مشکل وہی رہی جبکہ ان پٹ بڑھتا گیا۔ اس کا مرکزی نتیجہ: “model performance consistently degrades with increasing input length.” (ترجمہ: ان پٹ کی لمبائی بڑھنے کے ساتھ ماڈل کی کارکردگی مسلسل گرتی ہے۔)

تین اثرات نمایاں تھے:

-   **کمزور مطابقت کو سب سے زیادہ نقصان۔** جب سوال اور متعلقہ عبارت میں کم الفاظ مشترک تھے تو لمبائی بڑھنے پر درستگی زیادہ تیزی سے گری۔
-   **بھٹکانے والے حصے (distractors) نقصان دیتے ہیں۔** “Even a single distractor reduces performance relative to the baseline” (ترجمہ: ایک اکیلا distractor بھی بیس لائن کے مقابلے میں کارکردگی کم کر دیتا ہے)، اور چار ہونے پر حالت مزید خراب ہوئی۔ Distractor اسی موضوع کی ایسی عبارت ہے جو سوال کا جواب نہیں دیتی۔
-   **ساخت عجیب طرح سے اہم ہے۔** مربوط فلر متن نے انہی جملوں کی بے ترتیب شکل سے زیادہ نقصان کیا۔ مصنفین نے پایا کہ “structural coherence consistently hurts model performance.” (ترجمہ: ساخت کا ربط مسلسل ماڈل کی کارکردگی کو نقصان پہنچاتا ہے۔)

یہ پہلے کے کام پر مبنی ہے، جیسے [lost in the middle](https://broadrouter.com/ur/glossary/lost-in-the-middle/)، جس نے جگہ کے اثرات دکھائے تھے۔ کانٹیکسٹ روٹ بات کو وسیع کرتا ہے: صرف جگہ نہیں، لمبائی خود بھی درستگی کم کرتی ہے۔

## یہ کیوں اہم ہے

-   **ایجنٹس۔** کوڈنگ یا ریسرچ [ایجنٹ](https://broadrouter.com/ur/glossary/agent/) میں فائل ریڈز، لاگز اور پرانے ٹول نتائج جمع ہوتے جاتے ہیں۔ ہر ایک ممکنہ distractor ہے۔ [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/) بھرنے سے بہت پہلے ہی درستگی پھسل سکتی ہے۔
-   **لاگت اور تاخیر۔** لمبے پرامپٹس میں زیادہ ان پٹ ٹوکن لگتے ہیں اور پروسیسنگ میں زیادہ وقت لگتا ہے، اس لیے کٹائی تینوں محاذوں پر ایک ساتھ مدد کرتی ہے۔
-   **لمبا کانٹیکسٹ بمقابلہ ریٹریول۔** پورا کارپس بھیجنا آسان ہے، لیکن [RAG](https://broadrouter.com/ur/glossary/rag/) صرف متعلقہ چنکس بھیج کر distractors کو باہر رکھتا ہے۔

## BroadNet Inference پر

BroadNet پر DeepSeek V4.1 Flash اور GLM 5.3 زیادہ سے زیادہ 1,048,576 ٹوکن، اور Qwen3.8 27B زیادہ سے زیادہ 262,144 ٹوکن لیتے ہیں۔ BroadNet آپ کا کانٹیکسٹ نہیں کاٹتا، اس لیے آپ جو بھیجتے ہیں ماڈل وہی پڑھتا ہے۔ حد کو چھت سمجھیں، ہدف نہیں۔ [1M ٹوکن کانٹیکسٹ ونڈو گائیڈ](https://broadrouter.com/ur/blog/million-token-context-window-guide/) بتاتی ہے کہ پوری ونڈو کب فائدہ دیتی ہے، اور [دیر تک چلنے والے ایجنٹس کے لیے کانٹیکسٹ مینجمنٹ](https://broadrouter.com/ur/blog/long-running-agent-context-management/) خلاصہ بنانے اور کٹائی کے طریقے دکھاتی ہے۔ [کانٹیکسٹ ونڈو کیلکولیٹر](https://broadrouter.com/tools/context-window-calculator/) بھیجنے سے پہلے پرامپٹ کا سائز جانچنے میں مدد کرتا ہے۔

## عام غلطیاں

-   “شاید کام آ جائے” سوچ کر ہر فائل چپکا دینا۔ متعلقہ لیکن غیر ضروری متن بالکل وہی ہے جسے Chroma کے distractor ٹیسٹس نے استعمال کیا۔
-   ایسی needle سے ٹیسٹ کرنا جو سوال سے لفظ بہ لفظ ملتی ہو۔ حقیقی سوال شاذ و نادر ہی ایسے ہوتے ہیں۔

## عام سوالات

### کیا کانٹیکسٹ روٹ اور lost in the middle ایک ہی چیز ہیں؟

دونوں جڑے ہوئے ہیں۔ Lost in the middle اس بارے میں ہے کہ اہم حقیقت پرامپٹ میں کہاں رکھی ہے۔ کانٹیکسٹ روٹ اس بارے میں ہے کہ ان پٹ کی کل لمبائی، بھٹکانے والے حصے (distractors) اور ساخت مجموعی طور پر درستگی کیسے کم کرتے ہیں۔

### کیا بڑی کانٹیکسٹ ونڈو سے کانٹیکسٹ روٹ ٹھیک ہو جاتا ہے؟

نہیں۔ بڑی ونڈو سے آپ زیادہ بھیج سکتے ہیں، لیکن Chroma نے پایا کہ اس کے ٹیسٹ کیے ہر ماڈل کی کارکردگی ان پٹ بڑھنے پر گری۔ اتنا بھیجیں جتنا کام کو چاہیے، نہ کہ جتنا سما جائے۔

### ایجنٹس کانٹیکسٹ روٹ سے کیسے بچتے ہیں؟

کام کا کانٹیکسٹ مختصر رکھ کر: پرانی باریوں کا خلاصہ بنا کر، باسی ٹول آؤٹ پٹ ہٹا کر، اور فائلیں ایک ساتھ لوڈ کرنے کے بجائے ضرورت پر لوڈ کر کے۔

## یہ بھی دیکھیں

-   [کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/) (اصطلاح)
-   [Lost in the middle (درمیان میں کھو جانا)](https://broadrouter.com/ur/glossary/lost-in-the-middle/) (اصطلاح)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/ur/glossary/rag/) (اصطلاح)
-   [AI ایجنٹ (AI agent)](https://broadrouter.com/ur/glossary/agent/) (اصطلاح)
-   [کیش شدہ ان پٹ ٹوکن (cached input tokens)](https://broadrouter.com/ur/glossary/cached-input-tokens/) (اصطلاح)
-   [کانٹیکسٹ انجینئرنگ (context engineering)](https://broadrouter.com/ur/glossary/context-engineering/) (اصطلاح)
-   [کانٹیکسٹ کمپیکشن (context compaction)](https://broadrouter.com/ur/glossary/context-compaction/) (اصطلاح)
-   [1M ٹوکن کانٹیکسٹ ونڈو کب فائدہ مند ہے (اور کب نہیں)](https://broadrouter.com/ur/blog/million-token-context-window-guide/) (مضمون)
-   [طویل چلنے والے ایجنٹس میں 1M ونڈو کے ساتھ کانٹیکسٹ مینجمنٹ](https://broadrouter.com/ur/blog/long-running-agent-context-management/) (مضمون)
-   [لانگ کانٹیکسٹ بمقابلہ RAG: کب 1M ٹوکن ویکٹر DB کی جگہ لیتے ہیں](https://broadrouter.com/ur/blog/long-context-vs-rag/) (مضمون)

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-glossary-context-rot&utm_content=page-cta) ·

**ذرائع**

-   [Hong، Troynikov اور Huber، Context Rot: How Increasing Input Tokens Impacts LLM Performance (Chroma تکنیکی رپورٹ، 2025)](https://www.trychroma.com/research/context-rot)
-   [Liu اور ساتھی، Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [BroadNet Inference API حوالہ، ماڈل IDs اور کانٹیکسٹ (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-context-rot&utm_content=sources#models)
