O que é uma janela de contexto
Uma janela de contexto é o espaço limitado disponível para um modelo enquanto ele processa uma solicitação e gera uma resposta. Ela pode conter instruções, sua mensagem, turnos anteriores da conversa, documentos anexados ou recuperados, resultados de ferramentas e texto gerado.
Os provedores medem essa capacidade em tokens. A forma exata de contabilização varia. Uma API pode descrever um limite total de contexto, enquanto outra lista um limite de entrada e um máximo de saída separado. De qualquer forma, a janela diz respeito à informação disponível agora, durante a inferência. Ela não é um repositório de fatos que o modelo mantém permanentemente.
O que é um limite de conhecimento
Um limite de conhecimento da IA é uma data informada pelo provedor que resume o quão atuais são os conhecimentos incorporados ao treinamento do modelo. Ele diz respeito aos padrões e fatos codificados nos pesos do modelo antes da implantação.
Trate a data como uma referência, não como uma fronteira precisa. Os dados de treinamento misturam fontes coletadas em momentos diferentes. A cobertura também varia conforme o tema. Alguns provedores distinguem a data até a qual o conhecimento é considerado confiável de um limite mais abrangente dos dados de treinamento.
A distinção real
A janela de contexto responde: Quanta informação esta solicitação pode fornecer ao modelo?
O limite de conhecimento responde: Quão recentes são as informações que o modelo pode conhecer sem receber uma fonte?
São propriedades independentes. Um modelo pode ter uma janela de contexto grande e um limite de conhecimento antigo. Também pode ter uma janela menor e um limite de conhecimento mais recente. Aumentar uma não altera a outra.
| 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? |
Um exemplo prático
Suponha que um modelo hipotético tenha uma janela de contexto de 20.000 tokens e um limite de conhecimento informado como dezembro de 2025.
Você pergunta sobre uma política publicada em março de 2026, mas não fornece nenhuma fonte. A solicitação cabe facilmente na janela de contexto. O provável problema é o limite de conhecimento: o modelo pode não ter conhecimento incorporado, por meio do treinamento, sobre essa política.
Em seguida, você cola uma cópia da política com 2.000 tokens. O modelo agora pode analisar informações posteriores ao limite porque o texto está dentro da janela de contexto atual. Seu limite de conhecimento não mudou. O modelo recebeu evidências temporárias para esta solicitação.
Agora suponha que os documentos relevantes totalizem 25.000 tokens. A data de publicação deles deixa de ser a restrição imediata. A restrição passa a ser a janela de contexto. Você precisa selecionar, dividir, comprimir, resumir ou recuperar o material mais relevante.
Isso produz um diagnóstico simples:
- O modelo não tem um fato recente, mas você pode fornecê-lo: use a janela de contexto.
- O material necessário não cabe: gerencie o orçamento da janela de contexto.
- O modelo precisa responder usando fatos atuais e um grande conjunto de evidências: os dois limites importam.
Quando cada um importa
A janela de contexto importa quando você trabalha com documentos longos, conversas extensas, bases de código grandes, muitos resultados de ferramentas ou evidências recuperadas. Ela determina quanto pode ser apresentado de uma vez e quanto espaço resta para a resposta.
O limite de conhecimento importa quando uma pergunta depende de eventos, regras, preços, pessoas, pesquisas, softwares ou outros fatos que mudam com o tempo. Um limite deve levá-lo a buscar uma fonte atual. Ele não deve ser tratado como uma garantia de que todo fato anterior está presente ou correto.
Ambos importam em sistemas que usam busca ou recuperação. A busca pode obter material atual, mas esse material ainda precisa entrar na janela de contexto. Em seguida, o modelo precisa identificá-lo e usá-lo corretamente. A recuperação contorna conhecimentos incorporados desatualizados; ela não retreina o modelo nem torna a janela ilimitada.
O que as pessoas confundem
"Uma janela maior dá mais conhecimento ao modelo." Uma janela maior oferece mais espaço para você fornecer informações. Ela não adiciona fatos aos pesos do modelo.
"Um modelo novo conhece os eventos mais recentes." A data de lançamento e o limite de conhecimento são coisas distintas. Consulte a documentação do modelo e, em seguida, verifique as afirmações sensíveis ao tempo usando fontes atuais.
"A busca na web elimina o limite." A busca fornece ao modelo texto recente para trabalhar. Os conhecimentos incorporados subjacentes ainda têm um limite, e o modelo ainda pode interpretar incorretamente ou ignorar as evidências recuperadas.
"Se o texto cabe, o modelo vai usá-lo." Capacidade não é o mesmo que qualidade de atenção. Pesquisas sobre contextos longos descobriram que os modelos podem deixar passar informações relevantes, especialmente quando elas estão ocultas no meio de uma entrada grande.
"Tudo o que veio antes do limite é conhecido." Uma única data reduz um corpus de treinamento complexo a um único rótulo. O conhecimento pode ser incompleto, desigual ou estar errado em qualquer um dos lados dessa data.
O que ler em seguida
Leia O que é uma janela de contexto? para entender a mecânica dos orçamentos de tokens e das entradas longas. Leia O que é um limite de conhecimento da IA? para saber como interpretar datas-limite e respostas sensíveis ao tempo.