Vilken AI-modell har störst context window?
Det största context window i augustikatalogen 2026 är 1M tokens, hos DeepSeek V4 Flash 0731 från DeepSeek. Som en grov tumregel motsvarar en token ungefär tre fjärdedelar av ett engelskt ord, och en manussida är ungefär 400 ord, så tabellen nedan översätter varje fönster till sidor.
En rad per stor leverantör, med respektive leverantörs modell med störst context:
| Leverantör | Modell med störst context | Context window | Ryms ungefär |
|---|---|---|---|
| DeepSeek | DeepSeek V4 Flash 0731 | 1M tokens | cirka 2 500 sidor |
| OpenAI | GPT-5.4 | 1M tokens | cirka 2 000 sidor |
| Gemini 2.5 Flash | 1M tokens | cirka 2 000 sidor | |
| Meta | Llama 4 Maverick | 1M tokens | cirka 2 000 sidor |
| Qwen | Qwen3.8 2.4T A95B | 1M tokens | cirka 2 000 sidor |
| Moonshot | Kimi K3 | 1M tokens | cirka 2 000 sidor |
| Z.ai | GLM 5.2 | 1M tokens | cirka 2 000 sidor |
| MiniMax | MiniMax M3 | 1M tokens | cirka 2 000 sidor |
| Anthropic | Claude Fable 5 | 1M tokens | cirka 1 900 sidor |
| xAI | Grok 4.3 | 1M tokens | cirka 1 900 sidor |
| Mistral | Mistral Large 3 2512 | 262K tokens | cirka 492 sidor |
Om det du egentligen undrar är "vad är ett context window överhuvudtaget", börja med den enkla förklaringen på Vad är ett context window? och kom sedan tillbaka för siffrorna.
Hur rankas alla 100 modeller efter context window?
Hela katalogen, sorterad efter context window. Datan kommer från samma källa som AI Model Cost Index och hämtades 2026-08-20, det är ett ögonblick av det datumet snarare än ett flöde i realtid, så kontrollera datumet innan du citerar en siffra. Kolumnen med krediter visar vad varje modell kostar per meddelande inuti Whizi, där en plan inkluderar den.
| Modell | Leverantör | Context window | Ryms ungefär | Krediter i Whizi |
|---|---|---|---|---|
| DeepSeek V4 Flash 0731 | DeepSeek | 1M | cirka 2 500 sidor | 1 |
| GPT-5.4 | OpenAI | 1M | cirka 2 000 sidor | 15 |
| GPT-5.5 | OpenAI | 1M | cirka 2 000 sidor | 20 |
| GPT-5.6 Luna | OpenAI | 1M | cirka 2 000 sidor | 1 |
| GPT-5.6 Luna Pro | OpenAI | 1M | cirka 2 000 sidor | Ej mätt |
| GPT-5.6 Sol | OpenAI | 1M | cirka 2 000 sidor | 20 |
| GPT-5.6 Sol Pro | OpenAI | 1M | cirka 2 000 sidor | Ej mätt |
| GPT-5.6 Terra | OpenAI | 1M | cirka 2 000 sidor | 4 |
| GPT-5.6 Terra Pro | OpenAI | 1M | cirka 2 000 sidor | Ej mätt |
| LongCat 2.0 | Meituan | 1M | cirka 2 000 sidor | 1 |
| DeepSeek V4 Pro 0813 | DeepSeek | 1M | cirka 2 000 sidor | 2 |
| Gemini 2.5 Flash | 1M | cirka 2 000 sidor | 2 | |
| Gemini 2.5 Flash Lite | 1M | cirka 2 000 sidor | 1 | |
| Gemini 3.1 Flash Lite | 1M | cirka 2 000 sidor | 1 | |
| Gemini 3.1 Pro Preview | 1M | cirka 2 000 sidor | 10 | |
| Gemini 3.5 Flash | 1M | cirka 2 000 sidor | 8 | |
| Gemini 3.5 Flash Lite | 1M | cirka 2 000 sidor | 2 | |
| Gemini 3.6 Flash | 1M | cirka 2 000 sidor | 3 | |
| Gemini 3.7 Flash | 1M | cirka 2 000 sidor | 2 | |
| GLM 5.2 | Z.ai | 1M | cirka 2 000 sidor | 3 |
| GLM 5.3 | Z.ai | 1M | cirka 2 000 sidor | 5 |
| Inkling | Thinkingmachines | 1M | cirka 2 000 sidor | 4 |
| Kimi K3 | Moonshot | 1M | cirka 2 000 sidor | 10 |
| Laguna S 2.1 | Poolside | 1M | cirka 2 000 sidor | 1 |
| Llama 4 Maverick | Meta | 1M | cirka 2 000 sidor | 1 |
| MiniMax M3 | MiniMax | 1M | cirka 2 000 sidor | 1 |
| Muse Spark 1.1 | Meta | 1M | cirka 2 000 sidor | 5 |
| Muse Spark 1.2 | Meta | 1M | cirka 2 000 sidor | 5 |
| Qwen3.8 2.4T A95B | Qwen | 1M | cirka 2 000 sidor | 8 |
| Claude Fable 5 | Anthropic | 1M | cirka 1 900 sidor | 50 |
| Claude Opus 4.7 (Fast) | Anthropic | 1M | cirka 1 900 sidor | Ej mätt |
| Claude Opus 4.8 | Anthropic | 1M | cirka 1 900 sidor | 20 |
| Claude Opus 4.8 (Fast) | Anthropic | 1M | cirka 1 900 sidor | Ej mätt |
| Claude Opus 5 | Anthropic | 1M | cirka 1 900 sidor | 20 |
| Claude Opus 5 (Fast) | Anthropic | 1M | cirka 1 900 sidor | Ej mätt |
| Claude Sonnet 4.5 | Anthropic | 1M | cirka 1 900 sidor | 10 |
| Claude Sonnet 4.6 | Anthropic | 1M | cirka 1 900 sidor | 10 |
| Claude Sonnet 5 | Anthropic | 1M | cirka 1 900 sidor | 10 |
| Fugu Ultra | Sakana | 1M | cirka 1 900 sidor | 25 |
| Grok 4.3 | xAI | 1M | cirka 1 900 sidor | 4 |
| Qwen3.5 Plus 2026-04-20 | Qwen | 1M | cirka 1 900 sidor | 1 |
| Qwen3.6 Flash | Qwen | 1M | cirka 1 900 sidor | 1 |
| Qwen3.7 Flash | Qwen | 1M | cirka 1 900 sidor | 1 |
| Qwen3.7 Max | Qwen | 1M | cirka 1 900 sidor | 5 |
| Qwen3.7 Plus | Qwen | 1M | cirka 1 900 sidor | 1 |
| Qwen3.8 27B | Qwen | 1M | cirka 1 900 sidor | 3 |
| Qwen3.8 Max | Qwen | 1M | cirka 1 900 sidor | 6 |
| Inkling Small | Thinkingmachines | 524K | cirka 983 sidor | 1 |
| Solar Pro 4 | Upstage | 524K | cirka 983 sidor | 1 |
| Nemotron 3 Ultra | NVIDIA | 512K | cirka 961 sidor | 3 |
| Grok 4.5 | xAI | 500K | cirka 938 sidor | 6 |
| Grok 4.6 | xAI | 500K | cirka 938 sidor | 6 |
| GPT Chat Latest | OpenAI | 400K | cirka 750 sidor | 25 |
| GPT-5.4 Mini | OpenAI | 400K | cirka 750 sidor | 4 |
| GPT-5.4 Nano | OpenAI | 400K | cirka 750 sidor | 2 |
| Nova Pro 1.0 | Amazon | 300K | cirka 563 sidor | 3 |
| Hy3 | Tencent | 262K | cirka 492 sidor | 1 |
| Kimi K2 Thinking | Moonshot | 262K | cirka 492 sidor | 10 |
| Kimi K2.7 Code | Moonshot | 262K | cirka 492 sidor | 10 |
| Laguna XS 2.1 | Poolside | 262K | cirka 492 sidor | 1 |
| Ling-3.0-flash | inclusionAI | 262K | cirka 492 sidor | 1 |
| Mistral Large 3 2512 | Mistral | 262K | cirka 492 sidor | 2 |
| Mistral Medium 3.5 | Mistral | 262K | cirka 492 sidor | 6 |
| Nemotron 3.5 Lightning | NVIDIA | 262K | cirka 492 sidor | 1 |
| Nex-N2-Mini | Nex Agi | 262K | cirka 492 sidor | 1 |
| Nex-N2-Pro | Nex Agi | 262K | cirka 492 sidor | 1 |
| Qwen3 Coder Next | Qwen | 262K | cirka 492 sidor | 1 |
| Qwen3.6 35B A3B | Qwen | 262K | cirka 492 sidor | 1 |
| Ring-2.6-1T | inclusionAI | 262K | cirka 492 sidor | 1 |
| Sakana Namazu | Sakana | 262K | cirka 492 sidor | 4 |
| Seed 2.1 Turbo | Bytedance Seed | 262K | cirka 492 sidor | 2 |
| Seed-2.0-Code | Bytedance Seed | 262K | cirka 492 sidor | 3 |
| Step 3.7 Flash | Stepfun | 262K | cirka 492 sidor | 1 |
| Codestral 2508 | Mistral | 256K | cirka 480 sidor | 1 |
| Command A | Cohere | 256K | cirka 480 sidor | 10 |
| Grok Build 0.1 | xAI | 256K | cirka 480 sidor | 3 |
| KAT-Coder-Air V2.5 | Kwaipilot | 256K | cirka 480 sidor | 1 |
| KAT-Coder-Pro V2.5 | Kwaipilot | 256K | cirka 480 sidor | 3 |
| GLM 4.6 | Z.ai | 205K | cirka 384 sidor | 1 |
| GLM 4.7 | Z.ai | 205K | cirka 384 sidor | 2 |
| GLM 5 | Z.ai | 205K | cirka 384 sidor | 2 |
| MiniMax M2 | MiniMax | 205K | cirka 384 sidor | 1 |
| Claude Haiku 4.5 | Anthropic | 200K | cirka 375 sidor | 4 |
| DeepSeek V3.1 | DeepSeek | 164K | cirka 307 sidor | 1 |
| DeepSeek V3.2 | DeepSeek | 164K | cirka 307 sidor | 1 |
| Aion-3.0 | Aion Labs | 131K | cirka 246 sidor | 10 |
| Aion-3.0-Mini | Aion Labs | 131K | cirka 246 sidor | 2 |
| Granite 4.1 8B | Ibm Granite | 131K | cirka 246 sidor | 1 |
| Kimi K2 0711 | Moonshot | 131K | cirka 246 sidor | 10 |
| Llama 3.3 70B Instruct | Meta | 131K | cirka 246 sidor | 1 |
| Mistral Medium 3.1 | Mistral | 131K | cirka 246 sidor | 2 |
| Muse Glimmer 30B | Meta | 131K | cirka 246 sidor | 2 |
| Nano Banana 2 (Gemini 3.1 Flash Image) | 131K | cirka 246 sidor | Ej mätt | |
| Nano Banana Pro (Gemini 3 Pro Image) | 131K | cirka 246 sidor | Ej mätt | |
| Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) | 66K | cirka 123 sidor | Ej mätt | |
| R1 | DeepSeek | 64K | cirka 120 sidor | 2 |
| Perceptron Mk1 | Perceptron | 33K | cirka 61 sidor | 1 |
| Phi 4 | Microsoft | 16K | cirka 31 sidor | 1 |
| Hy-MT2-1.8B | Tencent | 8K | cirka 15 sidor | Ej mätt |
| Hy-MT2-30B-A3B | Tencent | 8K | cirka 15 sidor | Ej mätt |
Att läsa siffrorna ärligt
Fönstret delas. Allt räknas mot det samtidigt: din prompt, varje tidigare meddelande i konversationen, alla dokument du bifogat och svaret som skrivs. En modell med ett 128K-fönster som redan läst ett kontrakt på 100K tokens har inte 128K kvar till diskussionen, den har 28K.
Utannonserat är inte effektivt. Forskning om långa context windows hittar gång på gång samma mönster: modeller minns början och slutet av ett stort context bättre än mitten. I studierna Lost in the Middle (Liu m.fl., 2023) kostade det modellerna ungefär 20 poäng i noggrannhet att flytta nyckeldokumentet från kanterna av inmatningen till mitten, så en modell kan ta emot en miljon tokens och ändå hoppa över klausulen som ligger begravd vid token 400 000. För viktigt arbete med långa dokument, fråga specifikt om de mittersta avsnitten, eller mata in dokumentet i märkta delar.
Större är inte automatiskt bättre. Stora fönster kostar mer att köra och kan späda ut uppmärksamheten över irrelevant text. Om ditt arbete är mejl och korta utkast kommer fönsterstorleken aldrig vara det du märker av. Det börjar spela roll vid hela kontrakt, kodbaser, transkriptioner och böcker.
Tokens är inte ord. Regeln om tre fjärdedelar är ett bra engelskt genomsnitt, men kod, siffror och andra språk än engelska tokeniseras ofta mindre effektivt, så sidberäkningarna i tabellen är medvetet grova.
Matcha fönstret till uppgiften
Den praktiska slutsatsen från tabellen är att context window är ett val per uppgift, inte per prenumeration. Modellen med störst fönster är sällan den bästa skribenten, och den bästa skribenten är sällan det billigaste sättet att sammanfatta 800 sidor.
Det är argumentet för att ha hela katalogen i en arbetsyta. I Whizi kan du lämna över en PDF på 200 sidor till en modell med stort context, och sedan byta till Claude eller GPT i samma konversation för att skriva utifrån det den hittat, utan att dokumentet lämnar tråden. Den ärliga motinvändningen: om allt du matar en modell med ryms bekvämt i ett 128K-fönster, vilket täcker det mesta av mejl, utkast och korta dokument, är hela den här tabellen irrelevant och en prenumeration hos en enda leverantör är det enklare köpet. Guiden hur du väljer en AI-modell tar upp samma beslut för kvalitet och kostnad.
Om du citerar den här sidan: URL:en utan ankare är stabil, datumet för datan står ovanför hela tabellen, och tokensiffrorna kommer från leverantörens katalog snarare än från marknadsföringssidor.
- Dra av dina dokument och din historik från fönstret innan du litar på huvudsiffran
- Testa återkallning från mitten av långa dokument, inte bara från början
- Översätt tokens till sidor med regeln om tre fjärdedelar innan du bestämmer dig för något
- Välj fönster per uppgift i stället för per prenumeration
- Kontrollera datumet för datan ovanför hela tabellen när du citerar en siffra
Vanliga frågor
Vilken AI-modell har störst context window?
Från och med augustikatalogen 2026 är det DeepSeek V4 Flash 0731 från DeepSeek med 1M tokens. Hela tabellen ovan listar alla 100 modeller sorterade efter fönsterstorlek, med datumet för datan tryckt ovanför den.
Vad är det största context window för Claude?
Det största context window för Claude i indexet är 1M tokens (Claude Fable 5), vilket rymmer cirka 1 900 sidor text. Mindre Claude-varianter listas i hela tabellen ovan.
Vad är det största context window för GPT?
Det största context window för GPT i indexet är 1M tokens (GPT-5.4), vilket rymmer cirka 2 000 sidor text. Mindre GPT-varianter listas i hela tabellen ovan.
Vad är det största context window för Gemini?
Det största context window för Gemini i indexet är 1M tokens (Gemini 2.5 Flash), vilket rymmer cirka 2 000 sidor text. Mindre Gemini-varianter listas i hela tabellen ovan.
Vad är det största context window för Grok?
Det största context window för Grok i indexet är 1M tokens (Grok 4.3), vilket rymmer cirka 1 900 sidor text. Mindre Grok-varianter listas i hela tabellen ovan.
Är ett större context window alltid bättre?
Nej. Större fönster kostar mer, och återkallningen försämras mot mitten av ett mycket stort context. Större är avgörande för hela böcker, kodbaser och långa transkriptioner, och irrelevant för vardaglig chatt. Matcha fönstret till uppgiften i stället för att betala för den största siffran.
Hur många sidor ryms i ett context window?
Dela antalet tokens med ungefär 530 för att få manussidor: en token motsvarar ungefär tre fjärdedelar av ett engelskt ord, och en sida är ungefär 400 ord. Så 128K tokens är ungefär 240 sidor, och en miljon tokens är ungefär 1 900 sidor. Kod och text på andra språk än engelska ryms oftast mindre.