Kontextfenster-Vergleich: jedes wichtige KI-Modell in einer Tabelle

Welches KI-Modell hat das größte Kontextfenster?

Das größte Kontextfenster im Katalog von August 2026 sind 1M Tokens, gehalten von DeepSeek V4 Flash 0731 von DeepSeek. Als grobe Faustregel: ein Token entspricht etwa drei Vierteln eines englischen Worts, und eine Manuskriptseite hat etwa 400 Wörter, deshalb übersetzt die Tabelle unten jedes Fenster in Seiten.

Eine Zeile pro großem Anbieter, mit seinem Modell mit dem größten Kontext:

Anbieter	Modell mit größtem Kontext	Kontextfenster	Passt ungefähr
DeepSeek	DeepSeek V4 Flash 0731	1M Tokens	etwa 2,500 Seiten
OpenAI	GPT-5.4	1M Tokens	etwa 2,000 Seiten
Google	Gemini 2.5 Flash	1M Tokens	etwa 2,000 Seiten
Meta	Llama 4 Maverick	1M Tokens	etwa 2,000 Seiten
Qwen	Qwen3.8 2.4T A95B	1M Tokens	etwa 2,000 Seiten
Moonshot	Kimi K3	1M Tokens	etwa 2,000 Seiten
Z.ai	GLM 5.2	1M Tokens	etwa 2,000 Seiten
MiniMax	MiniMax M3	1M Tokens	etwa 2,000 Seiten
Anthropic	Claude Fable 5	1M Tokens	etwa 1,900 Seiten
xAI	Grok 4.3	1M Tokens	etwa 1,900 Seiten
Mistral	Mistral Large 3 2512	262K Tokens	etwa 492 Seiten

Wenn die Frage hinter deiner Suche "was ist ein Kontextfenster überhaupt" lautet, starte mit der einfach erklärten Einführung unter Was ist ein Kontextfenster? und komm dann für die Zahlen zurück.

Wie schneiden alle 100 Modelle beim Kontextfenster ab?

Der vollständige Katalog, sortiert nach Kontextfenster. Die Daten stammen aus derselben Quelle wie der AI Model Cost Index und wurden am 2026-08-20 abgerufen; es handelt sich um einen Schnappschuss dieses Datums und nicht um einen Live-Feed, also prüf das Datum, bevor du eine Zahl zitierst. Die Credits-Spalte zeigt, was jedes Modell pro Nachricht in Whizi kostet, sofern ein Plan es enthält.

Modell	Anbieter	Kontextfenster	Passt ungefähr	Credits in Whizi
DeepSeek V4 Flash 0731	DeepSeek	1M	etwa 2,500 Seiten	1
GPT-5.4	OpenAI	1M	etwa 2,000 Seiten	15
GPT-5.5	OpenAI	1M	etwa 2,000 Seiten	20
GPT-5.6 Luna	OpenAI	1M	etwa 2,000 Seiten	1
GPT-5.6 Luna Pro	OpenAI	1M	etwa 2,000 Seiten	Nicht abgerechnet
GPT-5.6 Sol	OpenAI	1M	etwa 2,000 Seiten	20
GPT-5.6 Sol Pro	OpenAI	1M	etwa 2,000 Seiten	Nicht abgerechnet
GPT-5.6 Terra	OpenAI	1M	etwa 2,000 Seiten	4
GPT-5.6 Terra Pro	OpenAI	1M	etwa 2,000 Seiten	Nicht abgerechnet
LongCat 2.0	Meituan	1M	etwa 2,000 Seiten	1
DeepSeek V4 Pro 0813	DeepSeek	1M	etwa 2,000 Seiten	2
Gemini 2.5 Flash	Google	1M	etwa 2,000 Seiten	2
Gemini 2.5 Flash Lite	Google	1M	etwa 2,000 Seiten	1
Gemini 3.1 Flash Lite	Google	1M	etwa 2,000 Seiten	1
Gemini 3.1 Pro Preview	Google	1M	etwa 2,000 Seiten	10
Gemini 3.5 Flash	Google	1M	etwa 2,000 Seiten	8
Gemini 3.5 Flash Lite	Google	1M	etwa 2,000 Seiten	2
Gemini 3.6 Flash	Google	1M	etwa 2,000 Seiten	3
Gemini 3.7 Flash	Google	1M	etwa 2,000 Seiten	2
GLM 5.2	Z.ai	1M	etwa 2,000 Seiten	3
GLM 5.3	Z.ai	1M	etwa 2,000 Seiten	5
Inkling	Thinkingmachines	1M	etwa 2,000 Seiten	4
Kimi K3	Moonshot	1M	etwa 2,000 Seiten	10
Laguna S 2.1	Poolside	1M	etwa 2,000 Seiten	1
Llama 4 Maverick	Meta	1M	etwa 2,000 Seiten	1
MiniMax M3	MiniMax	1M	etwa 2,000 Seiten	1
Muse Spark 1.1	Meta	1M	etwa 2,000 Seiten	5
Muse Spark 1.2	Meta	1M	etwa 2,000 Seiten	5
Qwen3.8 2.4T A95B	Qwen	1M	etwa 2,000 Seiten	8
Claude Fable 5	Anthropic	1M	etwa 1,900 Seiten	50
Claude Opus 4.7 (Fast)	Anthropic	1M	etwa 1,900 Seiten	Nicht abgerechnet
Claude Opus 4.8	Anthropic	1M	etwa 1,900 Seiten	20
Claude Opus 4.8 (Fast)	Anthropic	1M	etwa 1,900 Seiten	Nicht abgerechnet
Claude Opus 5	Anthropic	1M	etwa 1,900 Seiten	20
Claude Opus 5 (Fast)	Anthropic	1M	etwa 1,900 Seiten	Nicht abgerechnet
Claude Sonnet 4.5	Anthropic	1M	etwa 1,900 Seiten	10
Claude Sonnet 4.6	Anthropic	1M	etwa 1,900 Seiten	10
Claude Sonnet 5	Anthropic	1M	etwa 1,900 Seiten	10
Fugu Ultra	Sakana	1M	etwa 1,900 Seiten	25
Grok 4.3	xAI	1M	etwa 1,900 Seiten	4
Qwen3.5 Plus 2026-04-20	Qwen	1M	etwa 1,900 Seiten	1
Qwen3.6 Flash	Qwen	1M	etwa 1,900 Seiten	1
Qwen3.7 Flash	Qwen	1M	etwa 1,900 Seiten	1
Qwen3.7 Max	Qwen	1M	etwa 1,900 Seiten	5
Qwen3.7 Plus	Qwen	1M	etwa 1,900 Seiten	1
Qwen3.8 27B	Qwen	1M	etwa 1,900 Seiten	3
Qwen3.8 Max	Qwen	1M	etwa 1,900 Seiten	6
Inkling Small	Thinkingmachines	524K	etwa 983 Seiten	1
Solar Pro 4	Upstage	524K	etwa 983 Seiten	1
Nemotron 3 Ultra	NVIDIA	512K	etwa 961 Seiten	3
Grok 4.5	xAI	500K	etwa 938 Seiten	6
Grok 4.6	xAI	500K	etwa 938 Seiten	6
GPT Chat Latest	OpenAI	400K	etwa 750 Seiten	25
GPT-5.4 Mini	OpenAI	400K	etwa 750 Seiten	4
GPT-5.4 Nano	OpenAI	400K	etwa 750 Seiten	2
Nova Pro 1.0	Amazon	300K	etwa 563 Seiten	3
Hy3	Tencent	262K	etwa 492 Seiten	1
Kimi K2 Thinking	Moonshot	262K	etwa 492 Seiten	10
Kimi K2.7 Code	Moonshot	262K	etwa 492 Seiten	10
Laguna XS 2.1	Poolside	262K	etwa 492 Seiten	1
Ling-3.0-flash	inclusionAI	262K	etwa 492 Seiten	1
Mistral Large 3 2512	Mistral	262K	etwa 492 Seiten	2
Mistral Medium 3.5	Mistral	262K	etwa 492 Seiten	6
Nemotron 3.5 Lightning	NVIDIA	262K	etwa 492 Seiten	1
Nex-N2-Mini	Nex Agi	262K	etwa 492 Seiten	1
Nex-N2-Pro	Nex Agi	262K	etwa 492 Seiten	1
Qwen3 Coder Next	Qwen	262K	etwa 492 Seiten	1
Qwen3.6 35B A3B	Qwen	262K	etwa 492 Seiten	1
Ring-2.6-1T	inclusionAI	262K	etwa 492 Seiten	1
Sakana Namazu	Sakana	262K	etwa 492 Seiten	4
Seed 2.1 Turbo	Bytedance Seed	262K	etwa 492 Seiten	2
Seed-2.0-Code	Bytedance Seed	262K	etwa 492 Seiten	3
Step 3.7 Flash	Stepfun	262K	etwa 492 Seiten	1
Codestral 2508	Mistral	256K	etwa 480 Seiten	1
Command A	Cohere	256K	etwa 480 Seiten	10
Grok Build 0.1	xAI	256K	etwa 480 Seiten	3
KAT-Coder-Air V2.5	Kwaipilot	256K	etwa 480 Seiten	1
KAT-Coder-Pro V2.5	Kwaipilot	256K	etwa 480 Seiten	3
GLM 4.6	Z.ai	205K	etwa 384 Seiten	1
GLM 4.7	Z.ai	205K	etwa 384 Seiten	2
GLM 5	Z.ai	205K	etwa 384 Seiten	2
MiniMax M2	MiniMax	205K	etwa 384 Seiten	1
Claude Haiku 4.5	Anthropic	200K	etwa 375 Seiten	4
DeepSeek V3.1	DeepSeek	164K	etwa 307 Seiten	1
DeepSeek V3.2	DeepSeek	164K	etwa 307 Seiten	1
Aion-3.0	Aion Labs	131K	etwa 246 Seiten	10
Aion-3.0-Mini	Aion Labs	131K	etwa 246 Seiten	2
Granite 4.1 8B	Ibm Granite	131K	etwa 246 Seiten	1
Kimi K2 0711	Moonshot	131K	etwa 246 Seiten	10
Llama 3.3 70B Instruct	Meta	131K	etwa 246 Seiten	1
Mistral Medium 3.1	Mistral	131K	etwa 246 Seiten	2
Muse Glimmer 30B	Meta	131K	etwa 246 Seiten	2
Nano Banana 2 (Gemini 3.1 Flash Image)	Google	131K	etwa 246 Seiten	Nicht abgerechnet
Nano Banana Pro (Gemini 3 Pro Image)	Google	131K	etwa 246 Seiten	Nicht abgerechnet
Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image)	Google	66K	etwa 123 Seiten	Nicht abgerechnet
R1	DeepSeek	64K	etwa 120 Seiten	2
Perceptron Mk1	Perceptron	33K	etwa 61 Seiten	1
Phi 4	Microsoft	16K	etwa 31 Seiten	1
Hy-MT2-1.8B	Tencent	8K	etwa 15 Seiten	Nicht abgerechnet
Hy-MT2-30B-A3B	Tencent	8K	etwa 15 Seiten	Nicht abgerechnet

Wie du diese Zahlen ehrlich liest

Das Fenster wird geteilt. Alles zählt gleichzeitig hinein: dein Prompt, jede frühere Nachricht im Gespräch, alle angehängten Dokumente und die gerade geschriebene Antwort. Ein Modell mit einem 128K-Fenster, das bereits einen 100K-Token-Vertrag gelesen hat, hat nicht mehr 128K für die Diskussion übrig, sondern 28K.

Beworben ist nicht wirksam. Forschung zu langem Kontext findet immer wieder dasselbe Muster: Modelle erinnern sich an Anfang und Ende eines riesigen Kontexts besser als an die Mitte. In den Lost-in-the-Middle-Experimenten (Liu et al., 2023) kostete es die Modelle rund 20 Punkte an Genauigkeit, das Schlüsseldokument von den Rändern der Eingabe in die Mitte zu verschieben. Ein Modell kann also eine Million Tokens akzeptieren und trotzdem die Klausel bei Token 400,000 übersehen. Für Arbeit mit hohem Risiko an langen Dokumenten frag gezielt nach den mittleren Abschnitten oder gib das Dokument in beschrifteten Teilen ein.

Größer ist nicht automatisch besser. Große Fenster kosten mehr im Betrieb und können die Aufmerksamkeit über irrelevanten Text verdünnen. Wenn deine Arbeit aus E-Mails und kurzen Entwürfen besteht, wirst du die Fenstergröße nie bemerken. Sie beginnt bei ganzen Verträgen, Codebasen, Transkripten und Büchern zu zählen.

Tokens sind keine Wörter. Die Drei-Viertel-Regel ist ein guter Durchschnitt für Englisch, aber Code, Zahlen und Nicht-Englisch tokenisieren oft weniger effizient, deshalb sind die Seitenschätzungen in der Tabelle bewusst grob.

Das Fenster zur Aufgabe passen

Die praktische Schlussfolgerung aus der Tabelle ist, dass das Kontextfenster eine Entscheidung pro Aufgabe ist, nicht pro Abo. Das Modell mit dem größten Fenster ist selten der beste Autor, und der beste Autor ist selten der günstigste Weg, 800 Seiten zusammenzufassen.

Das ist das Argument dafür, den Katalog in einem Arbeitsbereich zu haben. In Whizi kannst du das 200-Seiten-PDF an ein Modell mit großem Kontext geben und dann im selben Gespräch zu Claude oder GPT wechseln, um daraus zu entwerfen, ohne dass das Dokument den Thread verlässt. Der ehrliche Gegeneinwand: wenn alles, was du einem Modell gibst, bequem in ein 128K-Fenster passt, was die meiste E-Mail-, Entwurfs- und Kurzdokumentarbeit abdeckt, ist diese ganze Tabelle irrelevant, und ein Abo bei einem einzigen Anbieter ist der einfachere Kauf. Der Leitfaden wie man ein Modell wählt behandelt dieselbe Entscheidung für Qualität und Kosten.

Zum Zitieren dieser Seite: die ankerfreie URL ist stabil, das Datum der Daten steht über der vollständigen Tabelle, und die Token-Zahlen stammen aus dem Anbieterkatalog, nicht aus Marketing-Seiten.