A janela de contexto é a quantidade de texto, medida em tokens, que um modelo de IA consegue considerar ao gerar cada resposta. Quando a conversa passa desse limite, as mensagens mais antigas deixam de ser enviadas ao modelo: a IA não esquece por distração — ela simplesmente para de receber o começo do diálogo. É por isso que um chat longo começa a repetir perguntas, a perder decisões combinadas antes ou a ignorar o arquivo enviado no primeiro minuto.
O limite não é teórico. Modelos anteriores conseguiam processar apenas 8,000 tokens por vez; a documentação da Google registra que novas gerações avançaram para 32,000 e depois 128,000 tokens, até chegarem às janelas de um milhão de tokens de hoje. A distância entre esse passado recente e o presente define o que dá ou não para fazer em tarefas longas.
Este guia explica o que é a janela, como os tokens são contados, por que a memória do chat some e como organizar o trabalho para caber no limite, com os números oficiais dos principais modelos.
O que é janela de contexto
A analogia que a própria Google usa é a de memória de curto prazo: assim como uma pessoa retém só uma parcela da informação de uma conversa, o modelo só enxerga o que couber na janela. Tudo disputa o mesmo orçamento — sua pergunta, os textos colados, o histórico do chat e a resposta que o modelo gera.
Em cada novo turno de conversa, o aplicativo monta um pacote com o histórico disponível e envia o conjunto inteiro ao modelo. Se o pacote ultrapassa a janela, algo precisa sair: começo do diálogo, documentos anexados ou até o espaço reservado para a resposta. O tamanho da janela, portanto, não é um detalhe técnico de programador — é o que separa uma IA que acompanha um processo de trabalho inteiro de outra que só reage ao último parágrafo.
Como os tokens são contados
Para os modelos Gemini, um token equivale a cerca de 4 caracteres, e 100 tokens correspondem a algo entre 60 e 80 palavras em inglês, segundo a documentação oficial da API. Em português a proporção é parecida: uma mensagem de chat comum consome dezenas ou centenas de tokens, e um texto colado pode consumir milhares.
Outras formas de conteúdo também viram tokens. Segundo a mesma documentação, uma imagem com até 384 pixels por lado é cobrada como 258 tokens; vídeo custa 263 tokens por segundo e áudio, 32 tokens por segundo. Um PDF longo, então, pode consumir vários milhares de tokens antes de você escrever a primeira pergunta.
Isso tem efeito direto no bolso de quem usa API paga: o preço de cada chamada depende dos tokens de entrada e de saída. Colar texto supérfluo no chat tem custo mensurável, além de reduzir o espaço útil da conversa.
Por que a memória some
Entre uma mensagem e outra, o modelo não guarda nada por conta própria: quem administra a memória é o aplicativo. Quando o histórico estoura a janela, a documentação da Google lista as saídas clássicas usadas com modelos de janela menor — descartar mensagens antigas de forma arbitrária, resumir o conteúdo, filtrar o prompt para economizar tokens ou usar RAG, a técnica de busca que recupera só os trechos relevantes de um acervo maior.
A consequência prática é que decisões combinadas no início do chat desaparecem sem aviso. Em tarefas que importam, trate a memória do chat como provisória: confirme por escrito as premissas essenciais e reenvie-as quando retomar a conversa. O mesmo princípio vale para qualquer informação sensível chegando por IA — como no golpe de clonagem de voz por IA, o risco está em confiar na aparência de continuidade sem verificação.
Como caber na janela
Um roteiro em seis passos mantém a conversa dentro do limite:
- Comece um chat novo para cada tarefa distinta; misturar assuntos empurra o histórico para cima do limite mais rápido.
- Cole apenas os trechos que sustentam a pergunta, não o documento inteiro.
- Ao retomar um trabalho, reenvie um resumo fixo das decisões anteriores em um parágrafo curto.
- Escreva a pergunta no final do prompt: a documentação do Gemini indica que o desempenho tende a ser melhor com a consulta depois de todo o contexto.
- Para acervos grandes, prefira ferramentas com busca interna ou upload de arquivos em vez de colar tudo — e, quando existir uma fonte estruturada, consulte-a direto, como no guia da API do IBGE para comparar cidades.
- Quem programa com API pode medir antes de gastar: o endpoint count_tokens devolve o tamanho exato da entrada antes da chamada ao modelo.
Sinais de que a janela estourou: a resposta ignora informação enviada no começo, o modelo pede dados que você já forneceu ou a API retorna erro de limite de tokens.
Limites reais dos modelos
| Modelo | Janela de contexto | Saída |
|---|---|---|
| Gemini 4 (gemini-4-argon) | 1,048,576 tokens, orçamento único para entrada, raciocínio e resposta | até 65,536 tokens por resposta em streaming; 1,048,576 com long decode |
| Gemini 3 e 2.5 | 1,048,576 tokens de entrada | orçamento separado de 65,536 tokens |
| GPT-5.4 (OpenAI) | 1,050,000 tokens | 128,000 tokens de saída |
Na prática, a diferença entre as gerações muda o modo de uso: no Gemini 4, a janela de contexto é compartilhada entre tokens de entrada, de raciocínio e de saída, então uma entrada enorme reduz o espaço disponível para a própria resposta.
A OpenAI documenta para o GPT-5.4 uma janela de contexto de 1,050,000 tokens e limite de 128,000 tokens de saída por resposta. A mesma página avisa que prompts com mais de 272K tokens de entrada nesse modelo passam a custar 2x no preço de entrada e 1.5x no de saída — janela grande não significa uso barato.
Janela grande não é memória infinita: a própria Google observa que, em consultas com múltiplas informações a recuperar, o desempenho não se mantém igual ao de buscas simples. Quanto mais material na janela, mais vale organizar o que entra.
Fontes
- Google — Long context (Gemini API): ai.google.dev/gemini-api/docs/long-context
- Google — Understand and count tokens: ai.google.dev/gemini-api/docs/generate-content/tokens
- OpenAI — GPT-5.4, documentação de modelo: developers.openai.com/api/docs/models/gpt-5.4