Hvilken AI-model har det største context window?
Det største context window i kataloget fra august 2026 er 1M tokens, som findes hos DeepSeek V4 Flash 0731 fra DeepSeek. Som en groft fysisk fornemmelse svarer ét token til cirka tre fjerdedele af et engelsk ord, og en manuskriptside er cirka 400 ord, så tabellen nedenfor omregner hvert window til sider.
Én række pr. stor udbyder, med udbyderens model med størst context:
| Udbyder | Model med størst context | Context window | Svarer cirka til |
|---|---|---|---|
| DeepSeek | DeepSeek V4 Flash 0731 | 1M tokens | cirka 2.500 sider |
| OpenAI | GPT-5.4 | 1M tokens | cirka 2.000 sider |
| Gemini 2.5 Flash | 1M tokens | cirka 2.000 sider | |
| Meta | Llama 4 Maverick | 1M tokens | cirka 2.000 sider |
| Qwen | Qwen3.8 2.4T A95B | 1M tokens | cirka 2.000 sider |
| Moonshot | Kimi K3 | 1M tokens | cirka 2.000 sider |
| Z.ai | GLM 5.2 | 1M tokens | cirka 2.000 sider |
| MiniMax | MiniMax M3 | 1M tokens | cirka 2.000 sider |
| Anthropic | Claude Fable 5 | 1M tokens | cirka 1.900 sider |
| xAI | Grok 4.3 | 1M tokens | cirka 1.900 sider |
| Mistral | Mistral Large 3 2512 | 262K tokens | cirka 492 sider |
Hvis spørgsmålet bag din søgning egentlig er "hvad er et context window overhovedet", så start med den enkle forklaring på What is a context window? og kom tilbage til tallene bagefter.
Hvordan rangerer alle 100 modeller efter context window?
Hele kataloget, sorteret efter context window. Data kommer fra samme kilde som AI Model Cost Index og blev hentet 2026-08-20, så det er et øjebliksbillede af den dato snarere end et live feed, tjek derfor datoen før du citerer et tal. Credits-kolonnen viser, hvad hver model koster pr. besked i Whizi, hvor en plan inkluderer den.
| Model | Udbyder | Context window | Svarer cirka til | Credits i Whizi |
|---|---|---|---|---|
| DeepSeek V4 Flash 0731 | DeepSeek | 1M | cirka 2.500 sider | 1 |
| GPT-5.4 | OpenAI | 1M | cirka 2.000 sider | 15 |
| GPT-5.5 | OpenAI | 1M | cirka 2.000 sider | 20 |
| GPT-5.6 Luna | OpenAI | 1M | cirka 2.000 sider | 1 |
| GPT-5.6 Luna Pro | OpenAI | 1M | cirka 2.000 sider | Ikke målt |
| GPT-5.6 Sol | OpenAI | 1M | cirka 2.000 sider | 20 |
| GPT-5.6 Sol Pro | OpenAI | 1M | cirka 2.000 sider | Ikke målt |
| GPT-5.6 Terra | OpenAI | 1M | cirka 2.000 sider | 4 |
| GPT-5.6 Terra Pro | OpenAI | 1M | cirka 2.000 sider | Ikke målt |
| LongCat 2.0 | Meituan | 1M | cirka 2.000 sider | 1 |
| DeepSeek V4 Pro 0813 | DeepSeek | 1M | cirka 2.000 sider | 2 |
| Gemini 2.5 Flash | 1M | cirka 2.000 sider | 2 | |
| Gemini 2.5 Flash Lite | 1M | cirka 2.000 sider | 1 | |
| Gemini 3.1 Flash Lite | 1M | cirka 2.000 sider | 1 | |
| Gemini 3.1 Pro Preview | 1M | cirka 2.000 sider | 10 | |
| Gemini 3.5 Flash | 1M | cirka 2.000 sider | 8 | |
| Gemini 3.5 Flash Lite | 1M | cirka 2.000 sider | 2 | |
| Gemini 3.6 Flash | 1M | cirka 2.000 sider | 3 | |
| Gemini 3.7 Flash | 1M | cirka 2.000 sider | 2 | |
| GLM 5.2 | Z.ai | 1M | cirka 2.000 sider | 3 |
| GLM 5.3 | Z.ai | 1M | cirka 2.000 sider | 5 |
| Inkling | Thinkingmachines | 1M | cirka 2.000 sider | 4 |
| Kimi K3 | Moonshot | 1M | cirka 2.000 sider | 10 |
| Laguna S 2.1 | Poolside | 1M | cirka 2.000 sider | 1 |
| Llama 4 Maverick | Meta | 1M | cirka 2.000 sider | 1 |
| MiniMax M3 | MiniMax | 1M | cirka 2.000 sider | 1 |
| Muse Spark 1.1 | Meta | 1M | cirka 2.000 sider | 5 |
| Muse Spark 1.2 | Meta | 1M | cirka 2.000 sider | 5 |
| Qwen3.8 2.4T A95B | Qwen | 1M | cirka 2.000 sider | 8 |
| Claude Fable 5 | Anthropic | 1M | cirka 1.900 sider | 50 |
| Claude Opus 4.7 (Fast) | Anthropic | 1M | cirka 1.900 sider | Ikke målt |
| Claude Opus 4.8 | Anthropic | 1M | cirka 1.900 sider | 20 |
| Claude Opus 4.8 (Fast) | Anthropic | 1M | cirka 1.900 sider | Ikke målt |
| Claude Opus 5 | Anthropic | 1M | cirka 1.900 sider | 20 |
| Claude Opus 5 (Fast) | Anthropic | 1M | cirka 1.900 sider | Ikke målt |
| Claude Sonnet 4.5 | Anthropic | 1M | cirka 1.900 sider | 10 |
| Claude Sonnet 4.6 | Anthropic | 1M | cirka 1.900 sider | 10 |
| Claude Sonnet 5 | Anthropic | 1M | cirka 1.900 sider | 10 |
| Fugu Ultra | Sakana | 1M | cirka 1.900 sider | 25 |
| Grok 4.3 | xAI | 1M | cirka 1.900 sider | 4 |
| Qwen3.5 Plus 2026-04-20 | Qwen | 1M | cirka 1.900 sider | 1 |
| Qwen3.6 Flash | Qwen | 1M | cirka 1.900 sider | 1 |
| Qwen3.7 Flash | Qwen | 1M | cirka 1.900 sider | 1 |
| Qwen3.7 Max | Qwen | 1M | cirka 1.900 sider | 5 |
| Qwen3.7 Plus | Qwen | 1M | cirka 1.900 sider | 1 |
| Qwen3.8 27B | Qwen | 1M | cirka 1.900 sider | 3 |
| Qwen3.8 Max | Qwen | 1M | cirka 1.900 sider | 6 |
| Inkling Small | Thinkingmachines | 524K | cirka 983 sider | 1 |
| Solar Pro 4 | Upstage | 524K | cirka 983 sider | 1 |
| Nemotron 3 Ultra | NVIDIA | 512K | cirka 961 sider | 3 |
| Grok 4.5 | xAI | 500K | cirka 938 sider | 6 |
| Grok 4.6 | xAI | 500K | cirka 938 sider | 6 |
| GPT Chat Latest | OpenAI | 400K | cirka 750 sider | 25 |
| GPT-5.4 Mini | OpenAI | 400K | cirka 750 sider | 4 |
| GPT-5.4 Nano | OpenAI | 400K | cirka 750 sider | 2 |
| Nova Pro 1.0 | Amazon | 300K | cirka 563 sider | 3 |
| Hy3 | Tencent | 262K | cirka 492 sider | 1 |
| Kimi K2 Thinking | Moonshot | 262K | cirka 492 sider | 10 |
| Kimi K2.7 Code | Moonshot | 262K | cirka 492 sider | 10 |
| Laguna XS 2.1 | Poolside | 262K | cirka 492 sider | 1 |
| Ling-3.0-flash | inclusionAI | 262K | cirka 492 sider | 1 |
| Mistral Large 3 2512 | Mistral | 262K | cirka 492 sider | 2 |
| Mistral Medium 3.5 | Mistral | 262K | cirka 492 sider | 6 |
| Nemotron 3.5 Lightning | NVIDIA | 262K | cirka 492 sider | 1 |
| Nex-N2-Mini | Nex Agi | 262K | cirka 492 sider | 1 |
| Nex-N2-Pro | Nex Agi | 262K | cirka 492 sider | 1 |
| Qwen3 Coder Next | Qwen | 262K | cirka 492 sider | 1 |
| Qwen3.6 35B A3B | Qwen | 262K | cirka 492 sider | 1 |
| Ring-2.6-1T | inclusionAI | 262K | cirka 492 sider | 1 |
| Sakana Namazu | Sakana | 262K | cirka 492 sider | 4 |
| Seed 2.1 Turbo | Bytedance Seed | 262K | cirka 492 sider | 2 |
| Seed-2.0-Code | Bytedance Seed | 262K | cirka 492 sider | 3 |
| Step 3.7 Flash | Stepfun | 262K | cirka 492 sider | 1 |
| Codestral 2508 | Mistral | 256K | cirka 480 sider | 1 |
| Command A | Cohere | 256K | cirka 480 sider | 10 |
| Grok Build 0.1 | xAI | 256K | cirka 480 sider | 3 |
| KAT-Coder-Air V2.5 | Kwaipilot | 256K | cirka 480 sider | 1 |
| KAT-Coder-Pro V2.5 | Kwaipilot | 256K | cirka 480 sider | 3 |
| GLM 4.6 | Z.ai | 205K | cirka 384 sider | 1 |
| GLM 4.7 | Z.ai | 205K | cirka 384 sider | 2 |
| GLM 5 | Z.ai | 205K | cirka 384 sider | 2 |
| MiniMax M2 | MiniMax | 205K | cirka 384 sider | 1 |
| Claude Haiku 4.5 | Anthropic | 200K | cirka 375 sider | 4 |
| DeepSeek V3.1 | DeepSeek | 164K | cirka 307 sider | 1 |
| DeepSeek V3.2 | DeepSeek | 164K | cirka 307 sider | 1 |
| Aion-3.0 | Aion Labs | 131K | cirka 246 sider | 10 |
| Aion-3.0-Mini | Aion Labs | 131K | cirka 246 sider | 2 |
| Granite 4.1 8B | Ibm Granite | 131K | cirka 246 sider | 1 |
| Kimi K2 0711 | Moonshot | 131K | cirka 246 sider | 10 |
| Llama 3.3 70B Instruct | Meta | 131K | cirka 246 sider | 1 |
| Mistral Medium 3.1 | Mistral | 131K | cirka 246 sider | 2 |
| Muse Glimmer 30B | Meta | 131K | cirka 246 sider | 2 |
| Nano Banana 2 (Gemini 3.1 Flash Image) | 131K | cirka 246 sider | Ikke målt | |
| Nano Banana Pro (Gemini 3 Pro Image) | 131K | cirka 246 sider | Ikke målt | |
| Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) | 66K | cirka 123 sider | Ikke målt | |
| R1 | DeepSeek | 64K | cirka 120 sider | 2 |
| Perceptron Mk1 | Perceptron | 33K | cirka 61 sider | 1 |
| Phi 4 | Microsoft | 16K | cirka 31 sider | 1 |
| Hy-MT2-1.8B | Tencent | 8K | cirka 15 sider | Ikke målt |
| Hy-MT2-30B-A3B | Tencent | 8K | cirka 15 sider | Ikke målt |
Sådan læser du tallene ærligt
Windowet er fælles. Alt trækker på det samtidig: din prompt, hver tidligere besked i samtalen, dokumenter du har vedhæftet, og svaret der bliver skrevet. En model med et 128K window, som allerede har læst en kontrakt på 100K tokens, har ikke 128K tilbage til diskussionen, den har 28K.
Det annoncerede er ikke det effektive. Forskning i lange contexts finder gang på gang det samme mønster: modeller husker starten og slutningen af en stor context bedre end midten. I "Lost in the Middle"-eksperimenterne (Liu et al., 2023) kostede det modellerne omkring 20 procentpoint i nøjagtighed at flytte det centrale dokument fra kanten af inputtet til midten, så en model kan sagtens tage imod en million tokens og alligevel overse den klausul, der ligger begravet ved token 400.000. Til vigtigt arbejde med lange dokumenter, spørg specifikt ind til de midterste afsnit, eller fodr dokumentet ind i mærkede dele.
Større er ikke automatisk bedre. Store windows koster mere at køre og kan fortynde opmærksomheden på tværs af irrelevant tekst. Hvis dit arbejde er e-mails og korte udkast, vil windowets størrelse aldrig være noget, du bemærker. Det begynder at betyde noget ved hele kontrakter, kodebaser, transskriptioner og bøger.
Tokens er ikke ord. Tre-fjerdedele-reglen er et godt gennemsnit for engelsk, men kode, tal og ikke-engelske sprog tokeniserer ofte mindre effektivt, så sideoverslagene i tabellen er bevidst grove.
Match windowet til opgaven
Den praktiske konklusion fra tabellen er, at context window er et valg pr. opgave, ikke pr. abonnement. Modellen med det største window er sjældent den bedste skribent, og den bedste skribent er sjældent den billigste måde at opsummere 800 sider på.
Det taler for at have hele kataloget i ét arbejdsrum. I Whizi kan du give den 200-siders PDF til en model med stort context, og derefter skifte til Claude eller GPT i samme samtale for at skrive ud fra det, den fandt, uden at dokumentet forlader tråden. Det ærlige modargument: hvis alt, du fodrer en model, sagtens passer i et 128K window, hvilket dækker det meste e-mail-, udkasts- og kortdokument-arbejde, er hele denne tabel underordnet, og et abonnement hos én udbyder er det simplere valg. Guiden how to choose a model dækker samme beslutning for kvalitet og pris.
Til citering af denne side: URL'en uden anker er stabil, datadatoen er trykt ovenfor hele tabellen, og tokentallene kommer fra udbyderens katalog snarere end fra marketingsider.
- Træk dine dokumenter og din historik fra windowet, før du stoler på det store tal
- Til lange dokumenter, test genkaldelse fra midten, ikke kun fra starten
- Omregn tokens til sider med tre-fjerdedele-reglen, før du beslutter noget
- Vælg windowet pr. opgave frem for pr. abonnement
- Tjek datadatoen ovenfor hele tabellen, når du citerer et tal
Ofte stillede spørgsmål
Hvilken AI-model har det største context window?
Ifølge kataloget fra august 2026 er det DeepSeek V4 Flash 0731 fra DeepSeek med 1M tokens. Hele tabellen ovenfor lister alle 100 modeller sorteret efter windowstørrelse, med datadatoen trykt ovenfor.
Hvad er det største Claude context window?
Det største Claude context window i indekset er 1M tokens (Claude Fable 5), hvilket svarer til cirka 1.900 sider tekst. Mindre Claude-varianter er listet i hele tabellen ovenfor.
Hvad er det største GPT context window?
Det største GPT context window i indekset er 1M tokens (GPT-5.4), hvilket svarer til cirka 2.000 sider tekst. Mindre GPT-varianter er listet i hele tabellen ovenfor.
Hvad er det største Gemini context window?
Det største Gemini context window i indekset er 1M tokens (Gemini 2.5 Flash), hvilket svarer til cirka 2.000 sider tekst. Mindre Gemini-varianter er listet i hele tabellen ovenfor.
Hvad er det største Grok context window?
Det største Grok context window i indekset er 1M tokens (Grok 4.3), hvilket svarer til cirka 1.900 sider tekst. Mindre Grok-varianter er listet i hele tabellen ovenfor.
Er et større context window altid bedre?
Nej. Større windows koster mere, og genkaldelsen forringes mod midten af en meget stor context. Større er afgørende for hele bøger, kodebaser og lange transskriptioner, og ligegyldigt for hverdagschat. Match windowet til opgaven i stedet for at betale for det største tal.
Hvor mange sider passer i et context window?
Del tokenantallet med cirka 530 for at få manuskriptsider: ét token er cirka tre fjerdedele af et engelsk ord, og en side er cirka 400 ord. Så 128K tokens er cirka 240 sider, og en million tokens er cirka 1.900 sider. Kode og ikke-engelsk tekst fylder som regel mere pr. side.