प्रसंग विंडोज़
एक संदर्भ विंडो पाठ की अधिकतम मात्रा है - जिसे टोकन में मापा जाता है - जिसे एक मॉडल एक समय में पढ़ सकता है और याद रख सकता है।
सिंहावलोकन
It sets a hard limit on how much of your conversation, documents, or instructions the model can actually use.
गहरा गोता
मॉडल सीधे पात्रों या शब्दों को नहीं पढ़ते हैं; वे टोकन पढ़ते हैं, जहां टोकन अंग्रेजी में एक शब्द का लगभग तीन-चौथाई पाठ का एक टुकड़ा होता है। संदर्भ विंडो प्रॉम्प्ट के साथ-साथ मॉडल की अपनी प्रतिक्रिया को भी गिनती है। आरंभिक GPT-3 ने लगभग 2,000 टोकन संभाले; 2025-2026 तक सीमांत मॉडलों का नाटकीय रूप से विस्तार हुआ - Google का Gemini एक से दो मिलियन टोकन तक पहुंचता है, कई Claude और GPT मॉडल एक मिलियन तक 128K प्रदान करते हैं, जो संपूर्ण पुस्तकों या कोडबेस के लिए पर्याप्त है। लेकिन बड़ा स्वचालित रूप से बेहतर नहीं है. क्योंकि ध्यान प्रत्येक टोकन की तुलना एक दूसरे से करता है, गणना और मेमोरी लागत लंबाई के साथ तेजी से बढ़ती है। मॉडल 'बीच में खो गया' प्रभाव भी दिखाते हैं, जो केंद्र में दबी हुई सामग्री की तुलना में लंबे इनपुट की शुरुआत और अंत में जानकारी को अधिक विश्वसनीय रूप से याद करते हैं।
तकनीकी अंतर्दृष्टि
Everything in a single request — system instructions, prior chat turns, pasted documents, and the answer being generated — must fit inside the token budget. जब यह ओवरफ्लो हो जाता है, तो सबसे पुरानी सामग्री हटा दी जाती है या उसे संक्षेप में प्रस्तुत किया जाना चाहिए, यही कारण है कि लंबी चैट 'भूलना' लगती है। बड़ी खिड़कियां महंगी हैं क्योंकि आत्म-ध्यान मोटे तौर पर टोकन गिनती के वर्ग के साथ बढ़ता है, और क्योंकि मॉडल प्रत्येक टोकन के लिए कुंजी/मूल्य वैक्टर को कैश करता है, मेमोरी की खपत करता है। यही कारण है कि प्रदाता टोकन के आधार पर कीमत तय करते हैं और हर चीज को संदर्भ में भरने की तुलना में पुनर्प्राप्ति अक्सर सस्ती होती है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
संदर्भ विंडोज़ का भविष्य
संदर्भ विंडो बढ़ती रहेंगी, लेकिन जोर कच्चे आकार से प्रभावी उपयोग की ओर स्थानांतरित हो रहा है। बेहतर लंबे-संदर्भ प्रशिक्षण, ध्यान अनुकूलन और कुंजी/मूल्य कैश संपीड़न जैसी तकनीकों का उद्देश्य 'बीच में खोई हुई' समस्या और लागत वक्र को कम करना है। पुनर्प्राप्ति-संवर्धित पीढ़ी एक व्यावहारिक पूरक बनी रहेगी, जो प्रत्येक कॉल पर लाखों टोकन संसाधित करने के लिए भुगतान करने के बजाय केवल प्रासंगिक खंड प्राप्त करेगी। उम्मीद करें कि 'मॉडल अपनी विंडो का उपयोग कितनी विश्वसनीयता से कर सकता है' शीर्षक की अधिकतम संख्या से अधिक मायने रखता है।
वास्तविक विश्व कार्यान्वयन
एक संपूर्ण अनुबंध या शोध पत्र चिपकाना ताकि मॉडल पिछले अनुभागों को खोए बिना इसके बारे में प्रश्नों का उत्तर दे सके।
लंबे कोडिंग सत्र जहां सहायक को एक साथ कई फाइलों और पूर्व परिवर्तनों को ध्यान में रखना होता है।
ग्राहक सहायता बॉट जिन्हें लगातार बने रहने के लिए बातचीत का पूरा आगे-पीछे याद रखना चाहिए।
बड़े लॉग या प्रतिलेखों का विश्लेषण करना जहां मुख्य विवरण दूर-दूर हो सकते हैं और 'बीच में खो जाने' का जोखिम हो सकता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Context Windows quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
YaRN संदर्भ विंडो स्केलिंग
अक्सर पूछे जाने वाले प्रश्नों
What is Context Windows?
एक संदर्भ विंडो पाठ की अधिकतम मात्रा है - जिसे टोकन में मापा जाता है - जिसे एक मॉडल एक समय में पढ़ सकता है और याद रख सकता है। यह इस बात पर एक कठोर सीमा निर्धारित करता है कि मॉडल वास्तव में आपकी कितनी बातचीत, दस्तावेज़ या निर्देशों का उपयोग कर सकता है।
किसी मॉडल की संदर्भ विंडो क्या मापती है?
संदर्भ विंडो एकल अनुरोध के लिए टोकन बजट है - मॉडल एक समय में कितना पाठ पढ़ सकता है और प्रतिक्रिया दे सकता है।
इस संदर्भ में टोकन क्या है?
मॉडल टेक्स्ट को टोकन के रूप में संसाधित करते हैं, जो उप-शब्द खंड होते हैं; अंग्रेजी में एक टोकन का औसत एक शब्द का लगभग तीन-चौथाई होता है।
एकल अनुरोध में संदर्भ विंडो के विरुद्ध कौन से आइटम गिने जाते हैं?
संपूर्ण अनुरोध एक बजट साझा करता है: निर्देश, वार्तालाप इतिहास, कोई भी चिपकाई गई सामग्री, और मॉडल का अपना आउटपुट सभी टोकन का उपभोग करते हैं।
बड़ी संदर्भ विंडो स्वचालित रूप से बेहतर क्यों नहीं होती?
ध्यान की लागत टोकन गिनती के वर्ग के साथ मोटे तौर पर बढ़ती है, और 'बीच में खो गया' प्रभाव का मतलब है कि मध्य-दस्तावेज़ विवरण को कम विश्वसनीय रूप से याद किया जा सकता है।
सब कुछ संदर्भ विंडो में डालने के बजाय अक्सर पुनर्प्राप्ति-संवर्धित पीढ़ी (आरएजी) का उपयोग क्यों किया जाता है?
आरएजी प्रत्येक अनुरोध पर मॉडल में बड़ी मात्रा में पाठ को फीड करने की लागत से बचते हुए, ज्ञान आधार के केवल प्रासंगिक टुकड़ों को पुनः प्राप्त करता है।