Qu’est-ce qu’une fenêtre de contexte ?
Une fenêtre de contexte est l’espace limité dont dispose un modèle lorsqu’il traite une requête et génère une réponse. Elle peut contenir des instructions, votre message, les tours précédents de la conversation, des documents joints ou récupérés, les résultats d’outils et le texte généré.
Les fournisseurs mesurent cette capacité en tokens. Le décompte exact varie. Une API peut décrire une limite totale de contexte, tandis qu’une autre indique une limite d’entrée et un nombre maximal de tokens de sortie distinct. Dans tous les cas, la fenêtre concerne les informations disponibles maintenant, pendant l’inférence. Il ne s’agit pas d’un stock de faits que le modèle conserverait en permanence.
Qu’est-ce qu’une date limite des connaissances ?
Une date limite des connaissances de l’IA est une date communiquée par le fournisseur qui résume l’actualité des connaissances acquises lors de l’entraînement du modèle. Elle concerne les schémas et les faits encodés dans les poids du modèle avant son déploiement.
Considérez cette date comme un repère, et non comme une frontière nette. Les données d’entraînement combinent des sources recueillies à des moments différents. La couverture varie également selon le sujet. Certains fournisseurs distinguent la date jusqu’à laquelle les connaissances sont considérées comme fiables d’une date limite plus large correspondant aux données d’entraînement.
La distinction réelle
La fenêtre de contexte répond à la question : Quelle quantité d’informations cette requête peut-elle fournir au modèle ?
La date limite des connaissances répond à la question : Quelle est l’ancienneté des informations que le modèle peut connaître sans qu’une source lui soit fournie ?
Ce sont deux propriétés indépendantes. Un modèle peut avoir une grande fenêtre de contexte et une date limite ancienne. Il peut aussi avoir une fenêtre plus petite et une date limite plus récente. Augmenter l’une ne modifie pas l’autre.
| Dimension | Context window | Knowledge cutoff |
|---|---|---|
| What it limits | Information available in one request | Recency of trained-in knowledge |
| Usually expressed as | A number of tokens | A date |
| Set mainly by | Model and API design | Training data and provider reporting |
| Changes when you paste a document | Available space is consumed | Does not change |
| Can include current information | Yes, if current material is supplied | Not by itself |
| Persists after the request | No; applications must save and resend needed material | Yes, as part of the deployed model's weights |
| Main practical question | Will the needed material fit and remain usable? | Should the model be trusted to know this without a current source? |
Un exemple concret
Supposons qu’un modèle hypothétique dispose d’une fenêtre de contexte de 20 000 tokens et d’une date limite des connaissances annoncée comme étant décembre 2025.
Vous posez une question sur une politique publiée en mars 2026, sans fournir de source. La requête tient facilement dans la fenêtre de contexte. Le problème vient probablement de la date limite des connaissances : le modèle peut ne pas avoir acquis cette politique lors de son entraînement.
Vous collez ensuite une copie de 2 000 tokens de cette politique. Le modèle peut alors analyser des informations postérieures à la date limite, car le texte se trouve dans la fenêtre de contexte actuelle. Sa date limite des connaissances n’a pas changé. Le modèle a reçu des éléments probants temporaires pour cette requête.
Supposons maintenant que les documents pertinents totalisent 25 000 tokens. Leur date de publication n’est plus la contrainte immédiate. C’est la fenêtre de contexte qui l’est. Vous devez sélectionner, fractionner, condenser, résumer ou récupérer les éléments les plus pertinents.
On obtient ainsi un diagnostic simple :
- Le modèle ne dispose pas d’un fait récent, mais vous pouvez le lui fournir : utilisez la fenêtre de contexte.
- Le contenu nécessaire ne tient pas dans la fenêtre : gérez le budget de la fenêtre de contexte.
- Le modèle doit répondre à partir de faits actuels et d’un vaste ensemble d’éléments probants : les deux limites comptent.
Quand chacune compte
La fenêtre de contexte compte lorsque vous travaillez avec de longs documents, des conversations prolongées, de grandes bases de code, de nombreux résultats d’outils ou des éléments probants récupérés. Elle détermine la quantité d’informations pouvant être présentée à la fois et l’espace restant pour la réponse.
La date limite des connaissances compte lorsqu’une question dépend d’événements, de règles, de prix, de personnes, de recherches, de logiciels ou d’autres faits qui évoluent avec le temps. Une date limite doit vous inciter à rechercher une source actuelle. Elle ne doit pas être considérée comme la garantie que tous les faits antérieurs sont présents ou exacts.
Les deux comptent dans les systèmes qui utilisent la recherche ou la récupération d’informations. La recherche peut récupérer des contenus actuels, mais ceux-ci doivent toujours être intégrés à la fenêtre de contexte. Le modèle doit ensuite les identifier et les utiliser correctement. La récupération contourne l’obsolescence des connaissances acquises lors de l’entraînement ; elle ne réentraîne pas le modèle et ne rend pas la fenêtre illimitée.
Ce que l’on confond souvent
« Une fenêtre plus grande donne davantage de connaissances au modèle. » Une fenêtre plus grande vous donne davantage d’espace pour fournir des informations. Elle n’ajoute pas de faits aux poids du modèle.
« Un nouveau modèle connaît les événements les plus récents. » La date de sortie et la date limite des connaissances sont deux choses distinctes. Consultez la documentation du modèle, puis vérifiez les affirmations sensibles au temps à l’aide de sources actuelles.
« La recherche sur le Web supprime la date limite. » La recherche fournit au modèle du texte récent avec lequel travailler. Les connaissances acquises lors de l’entraînement ont toujours une date limite, et le modèle peut encore mal interpréter les éléments récupérés ou ne pas en tenir compte.
« Si le texte tient dans la fenêtre, le modèle l’utilisera. » La capacité n’est pas synonyme de qualité de l’attention. Les recherches sur les longs contextes ont montré que les modèles peuvent manquer des informations pertinentes, en particulier lorsqu’elles sont enfouies au milieu d’une entrée volumineuse.
« Tout ce qui précède la date limite est connu. » Une date unique réduit à une seule étiquette un corpus d’entraînement complexe. Les connaissances peuvent être incomplètes, inégales ou erronées de part et d’autre de cette date.
Pour aller plus loin
Lisez Qu’est-ce qu’une fenêtre de contexte ? pour comprendre le fonctionnement des budgets de tokens et des entrées longues. Lisez Qu’est-ce qu’une date limite des connaissances de l’IA ? pour savoir comment interpréter les dates limites et les réponses portant sur des informations sensibles au temps.