Saltar al contenido
Built in Lahore, PakistanCómo verificamos las cuentas
mathbehind

Calculadora de la ventana de contexto de un LLM

Mira cómo el prompt del sistema, el historial del chat y los documentos llenan la ventana de contexto de un LLM, cuántos turnos caben antes de desbordarla y cuánto cuesta cada solicitud.

Por Muhammad Ahmad, Software EngineerLinkedIn· cifras comprobadas el

Tus números

Los precios y tarifas de esta herramienta están en dólares estadounidenses.

Consulta el límite en la documentación de tu modelo. Algunos modelos también limitan por separado la longitud de la respuesta.

Precios por token comprobados el 29 de septiembre de 2026 con las páginas de precios de los proveedores.

tokens
palabras

Archivos, fragmentos de RAG o texto pegado que se envía con cada solicitud. Un informe de 10 páginas tiene unas 5.000 palabras.

Un turno = un mensaje del usuario más una respuesta.

tokens
tokens

La respuesta forma parte de la misma ventana, así que la entrada debe dejarle espacio.

Porcentaje de la ventana de contexto usado

29,0%

Estado
Cabe con holgura.
Tokens de entrada por solicitud
53.900
Tokens libres tras la respuesta
142.100
Turnos más que caben
236
Tokens de los documentos
39.900
Coste de esta solicitud
0,1478 US$
Coste de 1.000 solicitudes como esta
147,80 US$
Las cuentas que hay detrás
  1. Documentos en tokens

    30.000 palabras × 1,33es igual a39.900

  2. Tokens de entrada

    2000 + 39.900 + 20 × 600es igual a53.900

  3. Porcentaje de la ventana

    (53.900 + 4000) ÷ 200.000es igual a29%

  4. Coste de la solicitud

    (53.900 × 2,00 US$ + 4000 × 10,00 US$) ÷ 1Mes igual a0,1478 US$

La ventana de contexto de un modelo es el número total de tokens que puede manejar en una solicitud: tus instrucciones, toda la conversación hasta ese momento, los documentos que adjuntes y la respuesta que escribe. Cuando se llena, hay que descartar o resumir los mensajes más antiguos. Esta calculadora suma cada parte, muestra lo cerca que estás del límite y calcula el precio de la solicitud, porque cada token de la ventana se vuelve a facturar en cada llamada.

Cifras comprobadas el por Muhammad Ahmad con Precios de la API de OpenAI, Precios de la API de Claude y Precios de la API de Gemini. Los precios y las normas cambian, así que confírmalos con la fuente oficial antes de basarte en ellos. Cómo verificamos las cuentas

Cómo funciona

Los tokens de entrada son el prompt del sistema, más los documentos convertidos de palabras a tokens, más los turnos de chat multiplicados por su tamaño medio. El espacio reservado para la respuesta se suma aparte, porque la salida comparte la misma ventana.

Las proporciones entre palabras y tokens son estimaciones. El inglés ronda los 1,33 tokens por palabra. El árabe y el urdu suelen necesitar de 2 a 3 tokens por palabra, porque la mayoría de los tokenizadores se entrenaron sobre todo con texto en inglés. El código y los números varían mucho.

Las aplicaciones de chat reenvían todo el historial con cada mensaje. Una conversación que ha llegado a 50.000 tokens cuesta el precio de 50.000 tokens de entrada en cada nuevo turno, y por eso los chats largos se vuelven caros y lentos incluso antes de llegar al límite.

El coste por solicitud usa el precio de entrada del modelo seleccionado para todo lo que envías y el precio de salida para la respuesta reservada. Es un techo: si la respuesta es más corta que la reserva, el coste de salida es menor. La caché de prompts puede reducir mucho el coste de un prompt del sistema o un documento que se repiten, y la calculadora de coste de API de IA lo modela.

Un ejemplo resuelto

Un asistente de soporte tiene un prompt del sistema de 2.000 tokens, un documento de conocimiento en inglés de 30.000 palabras (unos 39.900 tokens) y 20 turnos de chat de 600 tokens cada uno (12.000 tokens). Son 53.900 tokens de entrada. Dejando 4.000 tokens para la respuesta se usan 57.900 de una ventana de 200K, es decir, el 29 %, con espacio para 236 turnos más. En Claude Sonnet 5 cada solicitud cuesta unos 0,1478 $.

Más ejemplos

Un documento de 150.000 palabras no cabe en una ventana de 200.000 tokens con los ajustes por defecto: necesita unos 199.500 tokens por sí solo, 213.500 con el resto de la solicitud, el 108,75 % de la ventana.

Errores frecuentes

  • Olvidar reservar espacio para la respuesta del modelo.
  • Contar solo el documento y no el prompt del sistema ni el historial.
  • Suponer que toda una ventana larga se aprovecha igual de bien; la recuperación puede funcionar mejor que meterlo todo.
  • Olvidar los recargos por contexto largo de algunos modelos, como por encima de 272.000 tokens en GPT-6.

Preguntas frecuentes

¿Qué es una ventana de contexto en un LLM?

Es el número máximo de tokens que un modelo puede leer y escribir en una solicitud. Todo cuenta para ella: las instrucciones del sistema, los mensajes anteriores, los documentos adjuntos, los resultados de herramientas y la propia respuesta.

¿Qué pasa cuando una conversación supera la ventana de contexto?

La API rechaza la solicitud o la aplicación descarta en silencio los mensajes más antiguos. En ambos casos el modelo pierde detalles anteriores. La mayoría de las aplicaciones de chat resumen los turnos antiguos o conservan solo los más recientes para no pasarse del límite.

¿Cuántas palabras caben en una ventana de contexto de 128K o 200K?

En inglés, caben unas 96.000 palabras en 128K tokens y unas 150.000 en 200K, antes de dejar espacio para la respuesta. En árabe o urdu, espera más o menos la mitad de palabras, ya que cada palabra necesita más tokens.

¿Cuesta más una ventana de contexto mayor?

El tamaño de la ventana en sí no, pero llenarla sí: pagas cada token de entrada en cada solicitud. Algunos proveedores también cobran una tarifa mayor cuando un prompt supera cierta longitud, así que consulta la página de precios por si hay niveles de contexto largo.

¿Debo meter documentos enteros en el prompt o usar RAG?

Si los documentos caben con holgura y los consultas a menudo, la caché de prompts hace que ponerlos en el prompt sea sencillo y asequible. Si son grandes o cambian con frecuencia, la recuperación (RAG) envía solo los fragmentos relevantes, lo que mantiene cada solicitud más pequeña y barata.