Fenêtre de contexte
En une ligne : La quantité de texte qu’une IA peut traiter en une seule fois, mesurée en tokens. Une fenêtre de contexte plus grande permet d’analyser des documents plus longs, des conversations plus longues et des tâches plus complexes.
Qu’est-ce qu’une fenêtre de contexte ?
Le fenêtre de contexte est le maximum token compter un LLM peut traiter en une seule requête. Cela couvre tout ce que le modèle peut voir à la fois : votre prompt, les documents que vous avez collés, les réponses précédentes du modèle et tout prompt système définie par l’application. Tout est décompté du même quota.
Voyez cela comme une mémoire de travail. Un analyste humain peut garder en tête une note de synthèse de 10 pages pendant qu’il rédige un rapport. Un modèle doté d’une fenêtre de contexte de 200 k tokens peut garder en mémoire un roman d’environ 150 000 mots tout en répondant à des questions à son sujet. Des fenêtres plus grandes permettent des conversations plus riches et une analyse documentaire plus approfondie, sans avoir à recourir à des solutions de contournement comme RAG.
Comparaison des fenêtres de contexte
| Modèle | Tokens | Nombre de mots approx. | Meilleure utilisation |
|---|---|---|---|
| ChatGPT 4o | 128K | ~96 000 | Longues conversations, rapports de plusieurs pages |
| ChatGPT 4.1 | 1M | ~750 000 | Grandes bases de code, documents de la longueur d'un livre |
| Claude Sonnet 4 | 200K | ~150 000 | Contrats, mémoires juridiques, documents techniques |
| Gemini 2.0 Flash | 1M | ~750 000 | Analyse rapide en masse, fichiers de données volumineux |
| Gemini 2.5 Pro | 2M | ~1,5 million | Bases de code entières, transcriptions audio de plusieurs heures |
| DeepSeek R1 | 128K | ~96 000 | Raisonnement approfondi sur des problèmes longs |
Ce qui se passe lorsque vous dépassez la fenêtre de contexte
Lorsque la limite est atteinte, le modèle renvoie une erreur (dans les intégrations API) ou supprime discrètement les messages les plus anciens pour faire de la place aux nouvelles données. Dans une application de chat, cela passe généralement inaperçu : le modèle cesse simplement de se souvenir des échanges précédents. Voici les signes que vous avez atteint la limite : le modèle contredit une de ses réponses antérieures, oublie une contrainte essentielle que vous avez fixée ou répond comme si la conversation venait de commencer.
Pour les tâches très longues, envisagez de passer à un modèle doté d’une fenêtre de contexte plus grande, de diviser la tâche en sous-tâches ou d’utiliser RAG pour récupérer uniquement les passages pertinents au lieu de tout charger en une seule fois. Consultez date limite des connaissances pour un concept connexe mais distinct concernant les données sur lesquelles le modèle a été entraîné.
Conseils pour gérer les contextes longs
- Importez des documents entiers au début d’une conversation plutôt que de coller des extraits. Les modèles traitent mieux une structure claire que des fragments collés.
- Placez vos consignes les plus importantes au tout début et à la toute fin de votre prompt. Les recherches montrent que les modèles prêtent davantage attention aux extrémités de leur contexte - c’est ce qu’on appelle l’effet de « perte d’information au milieu ».
- Commencez une nouvelle conversation lorsque vous passez à un sujet sans rapport. Un long contexte rempli d’échanges non pertinents gaspille des tokens et peut détourner l’attention du modèle.
- Utilisez le Compteur de tokens IA pour vérifier la taille de votre prompt avant de l'envoyer - les documents importés consomment le quota plus vite qu'on ne le pense généralement. La FAQ Puis-je importer des fichiers sur AskAI.free ? indique quelles tailles de documents sont facilement prises en charge.
- Lorsque votre base de connaissances dépasse la capacité de toute fenêtre de contexte, RAG combiné à un plongement vectoriel est l’architecture d’indexation adaptée : stockez les documents sous forme de vecteurs et récupérez uniquement les sections pertinentes au moment de la requête.
Exemple de fenêtre de contexte
Si vous utilisez AskAI.free, une façon pratique de comprendre la fenêtre de contexte consiste à demander à un modèle de vous l’expliquer, puis de donner un exemple concret dans votre propre méthode de travail. Par exemple : "Explique la fenêtre de contexte à une personne qui utilise l’IA pour écrire, coder, faire des recherches ou créer des images."
Le terme passe ainsi d’une définition de dictionnaire à un outil d’aide à la décision : vous voyez dans quels cas il influe sur la qualité des instructions, le choix du modèle, la fiabilité des résultats, la confidentialité, le coût ou la quantité de contexte utilisable par l’IA.
Pourquoi la fenêtre de contexte est importante
La fenêtre de contexte est importante, car elle influence votre façon de choisir les systèmes d'IA, de leur donner des consignes, de les comparer ou de leur faire confiance. Comprendre ce terme vous aide à poser de meilleures questions, à repérer plus vite les réponses fragiles et à choisir le modèle ou l'outil adapté à votre tâche.
Une erreur courante consiste à considérer la fenêtre de contexte comme un terme de jargon isolé. Elle est généralement liée à des notions voisines comme Plongement vectoriel et Face IQ, consultez-les ensuite pour avoir une vue d'ensemble.
Erreur courante concernant la fenêtre de contexte
L’erreur la plus courante consiste à employer le terme comme une étiquette sans changer ses pratiques. Quand il est question de fenêtre de contexte, demandez-vous ce qui doit changer : le prompt, le modèle, la longueur du contenu fourni, les preuves demandées ou la manière de vérifier la réponse.
Découvrez-le en action - Interrogez l’IA de votre choix sur la fenêtre de contexte sur AskAI.free.
Demander à l’IA