哪一個AI模型的上下文視窗最大？
2026年8月型錄裡最大的上下文視窗是1M token，由DeepSeek的DeepSeek V4 Flash 0731拿下。粗略來說，一個token大約等於四分之三個英文單字，一頁書稿大約400字，所以下方的表格把每個視窗都換算成了頁數。
每個主要供應商各一列，顯示其上下文視窗最大的模型：
| 供應商 | 上下文視窗最大的模型 | 上下文視窗 | 大約可容納 |
|---|---|---|---|
| DeepSeek | DeepSeek V4 Flash 0731 | 1M token | 約2,500頁 |
| OpenAI | GPT-5.4 | 1M token | 約2,000頁 |
| Gemini 2.5 Flash | 1M token | 約2,000頁 | |
| Meta | Llama 4 Maverick | 1M token | 約2,000頁 |
| Qwen | Qwen3.8 2.4T A95B | 1M token | 約2,000頁 |
| Moonshot | Kimi K3 | 1M token | 約2,000頁 |
| Z.ai | GLM 5.2 | 1M token | 約2,000頁 |
| MiniMax | MiniMax M3 | 1M token | 約2,000頁 |
| Anthropic | Claude Fable 5 | 1M token | 約1,900頁 |
| xAI | Grok 4.3 | 1M token | 約1,900頁 |
| Mistral | Mistral Large 3 2512 | 262K token | 約492頁 |
如果你搜尋這個問題背後真正想問的是「上下文視窗到底是什麼」，可以先看看白話說明的什麼是上下文視窗？，之後再回來看數字。
這100個模型的上下文視窗排名是什麼？
完整型錄，依上下文視窗排序。資料來源與AI模型成本指數相同，擷取時間為2026-08-20；這是該日期的一份快照，不是即時資料來源，引用數字前請先確認日期。點數欄位顯示的是在Whizi裡，若方案內含該模型，每則訊息要花多少點數。
| 模型 | 供應商 | 上下文視窗 | 大約可容納 | Whizi點數 |
|---|---|---|---|---|
| DeepSeek V4 Flash 0731 | DeepSeek | 1M | 約2,500頁 | 1 |
| GPT-5.4 | OpenAI | 1M | 約2,000頁 | 15 |
| GPT-5.5 | OpenAI | 1M | 約2,000頁 | 20 |
| GPT-5.6 Luna | OpenAI | 1M | 約2,000頁 | 1 |
| GPT-5.6 Luna Pro | OpenAI | 1M | 約2,000頁 | 不計點數 |
| GPT-5.6 Sol | OpenAI | 1M | 約2,000頁 | 20 |
| GPT-5.6 Sol Pro | OpenAI | 1M | 約2,000頁 | 不計點數 |
| GPT-5.6 Terra | OpenAI | 1M | 約2,000頁 | 4 |
| GPT-5.6 Terra Pro | OpenAI | 1M | 約2,000頁 | 不計點數 |
| LongCat 2.0 | Meituan | 1M | 約2,000頁 | 1 |
| DeepSeek V4 Pro 0813 | DeepSeek | 1M | 約2,000頁 | 2 |
| Gemini 2.5 Flash | 1M | 約2,000頁 | 2 | |
| Gemini 2.5 Flash Lite | 1M | 約2,000頁 | 1 | |
| Gemini 3.1 Flash Lite | 1M | 約2,000頁 | 1 | |
| Gemini 3.1 Pro Preview | 1M | 約2,000頁 | 10 | |
| Gemini 3.5 Flash | 1M | 約2,000頁 | 8 | |
| Gemini 3.5 Flash Lite | 1M | 約2,000頁 | 2 | |
| Gemini 3.6 Flash | 1M | 約2,000頁 | 3 | |
| Gemini 3.7 Flash | 1M | 約2,000頁 | 2 | |
| GLM 5.2 | Z.ai | 1M | 約2,000頁 | 3 |
| GLM 5.3 | Z.ai | 1M | 約2,000頁 | 5 |
| Inkling | Thinkingmachines | 1M | 約2,000頁 | 4 |
| Kimi K3 | Moonshot | 1M | 約2,000頁 | 10 |
| Laguna S 2.1 | Poolside | 1M | 約2,000頁 | 1 |
| Llama 4 Maverick | Meta | 1M | 約2,000頁 | 1 |
| MiniMax M3 | MiniMax | 1M | 約2,000頁 | 1 |
| Muse Spark 1.1 | Meta | 1M | 約2,000頁 | 5 |
| Muse Spark 1.2 | Meta | 1M | 約2,000頁 | 5 |
| Qwen3.8 2.4T A95B | Qwen | 1M | 約2,000頁 | 8 |
| Claude Fable 5 | Anthropic | 1M | 約1,900頁 | 50 |
| Claude Opus 4.7 (Fast) | Anthropic | 1M | 約1,900頁 | 不計點數 |
| Claude Opus 4.8 | Anthropic | 1M | 約1,900頁 | 20 |
| Claude Opus 4.8 (Fast) | Anthropic | 1M | 約1,900頁 | 不計點數 |
| Claude Opus 5 | Anthropic | 1M | 約1,900頁 | 20 |
| Claude Opus 5 (Fast) | Anthropic | 1M | 約1,900頁 | 不計點數 |
| Claude Sonnet 4.5 | Anthropic | 1M | 約1,900頁 | 10 |
| Claude Sonnet 4.6 | Anthropic | 1M | 約1,900頁 | 10 |
| Claude Sonnet 5 | Anthropic | 1M | 約1,900頁 | 10 |
| Fugu Ultra | Sakana | 1M | 約1,900頁 | 25 |
| Grok 4.3 | xAI | 1M | 約1,900頁 | 4 |
| Qwen3.5 Plus 2026-04-20 | Qwen | 1M | 約1,900頁 | 1 |
| Qwen3.6 Flash | Qwen | 1M | 約1,900頁 | 1 |
| Qwen3.7 Flash | Qwen | 1M | 約1,900頁 | 1 |
| Qwen3.7 Max | Qwen | 1M | 約1,900頁 | 5 |
| Qwen3.7 Plus | Qwen | 1M | 約1,900頁 | 1 |
| Qwen3.8 27B | Qwen | 1M | 約1,900頁 | 3 |
| Qwen3.8 Max | Qwen | 1M | 約1,900頁 | 6 |
| Inkling Small | Thinkingmachines | 524K | 約983頁 | 1 |
| Solar Pro 4 | Upstage | 524K | 約983頁 | 1 |
| Nemotron 3 Ultra | NVIDIA | 512K | 約961頁 | 3 |
| Grok 4.5 | xAI | 500K | 約938頁 | 6 |
| Grok 4.6 | xAI | 500K | 約938頁 | 6 |
| GPT Chat Latest | OpenAI | 400K | 約750頁 | 25 |
| GPT-5.4 Mini | OpenAI | 400K | 約750頁 | 4 |
| GPT-5.4 Nano | OpenAI | 400K | 約750頁 | 2 |
| Nova Pro 1.0 | Amazon | 300K | 約563頁 | 3 |
| Hy3 | Tencent | 262K | 約492頁 | 1 |
| Kimi K2 Thinking | Moonshot | 262K | 約492頁 | 10 |
| Kimi K2.7 Code | Moonshot | 262K | 約492頁 | 10 |
| Laguna XS 2.1 | Poolside | 262K | 約492頁 | 1 |
| Ling-3.0-flash | inclusionAI | 262K | 約492頁 | 1 |
| Mistral Large 3 2512 | Mistral | 262K | 約492頁 | 2 |
| Mistral Medium 3.5 | Mistral | 262K | 約492頁 | 6 |
| Nemotron 3.5 Lightning | NVIDIA | 262K | 約492頁 | 1 |
| Nex-N2-Mini | Nex Agi | 262K | 約492頁 | 1 |
| Nex-N2-Pro | Nex Agi | 262K | 約492頁 | 1 |
| Qwen3 Coder Next | Qwen | 262K | 約492頁 | 1 |
| Qwen3.6 35B A3B | Qwen | 262K | 約492頁 | 1 |
| Ring-2.6-1T | inclusionAI | 262K | 約492頁 | 1 |
| Sakana Namazu | Sakana | 262K | 約492頁 | 4 |
| Seed 2.1 Turbo | Bytedance Seed | 262K | 約492頁 | 2 |
| Seed-2.0-Code | Bytedance Seed | 262K | 約492頁 | 3 |
| Step 3.7 Flash | Stepfun | 262K | 約492頁 | 1 |
| Codestral 2508 | Mistral | 256K | 約480頁 | 1 |
| Command A | Cohere | 256K | 約480頁 | 10 |
| Grok Build 0.1 | xAI | 256K | 約480頁 | 3 |
| KAT-Coder-Air V2.5 | Kwaipilot | 256K | 約480頁 | 1 |
| KAT-Coder-Pro V2.5 | Kwaipilot | 256K | 約480頁 | 3 |
| GLM 4.6 | Z.ai | 205K | 約384頁 | 1 |
| GLM 4.7 | Z.ai | 205K | 約384頁 | 2 |
| GLM 5 | Z.ai | 205K | 約384頁 | 2 |
| MiniMax M2 | MiniMax | 205K | 約384頁 | 1 |
| Claude Haiku 4.5 | Anthropic | 200K | 約375頁 | 4 |
| DeepSeek V3.1 | DeepSeek | 164K | 約307頁 | 1 |
| DeepSeek V3.2 | DeepSeek | 164K | 約307頁 | 1 |
| Aion-3.0 | Aion Labs | 131K | 約246頁 | 10 |
| Aion-3.0-Mini | Aion Labs | 131K | 約246頁 | 2 |
| Granite 4.1 8B | Ibm Granite | 131K | 約246頁 | 1 |
| Kimi K2 0711 | Moonshot | 131K | 約246頁 | 10 |
| Llama 3.3 70B Instruct | Meta | 131K | 約246頁 | 1 |
| Mistral Medium 3.1 | Mistral | 131K | 約246頁 | 2 |
| Muse Glimmer 30B | Meta | 131K | 約246頁 | 2 |
| Nano Banana 2 (Gemini 3.1 Flash Image) | 131K | 約246頁 | 不計點數 | |
| Nano Banana Pro (Gemini 3 Pro Image) | 131K | 約246頁 | 不計點數 | |
| Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) | 66K | 約123頁 | 不計點數 | |
| R1 | DeepSeek | 64K | 約120頁 | 2 |
| Perceptron Mk1 | Perceptron | 33K | 約61頁 | 1 |
| Phi 4 | Microsoft | 16K | 約31頁 | 1 |
| Hy-MT2-1.8B | Tencent | 8K | 約15頁 | 不計點數 |
| Hy-MT2-30B-A3B | Tencent | 8K | 約15頁 | 不計點數 |
如何誠實地解讀這些數字
視窗是共用的。所有東西都同時算在裡面：你的提示詞、對話裡每一則之前的訊息、你附上的任何文件，以及正在寫出來的答案。一個128K視窗的模型，如果已經讀過一份100K token的合約，剩下能用來討論的，不是128K，而是28K。
宣稱的數字不等於實際有效的數字。長上下文的研究一再發現同樣的模式：模型記住超長上下文開頭和結尾的能力，遠比記住中間的能力好。在「迷失在中間」（Lost in the Middle，Liu等人，2023年）的實驗裡，把關鍵文件從輸入的邊緣移到中間，讓模型的準確率掉了大約20個百分點，所以一個模型可以接受一百萬個token，卻還是可能略過藏在第400,000個token的條款。對高風險的長文件工作，要特別問中間段落的內容，或是把文件分段標示後再餵給模型。
大不代表自動就更好。大視窗執行起來成本更高，還可能把注意力稀釋到不相關的文字上。如果你的工作是郵件和短篇草稿，視窗大小永遠不會是你會注意到的事。它要到整份合約、整個程式碼庫、逐字稿和整本書的規模，才會開始有影響。
Token不等於字數。四分之三這個換算法則，對英文來說是不錯的平均值，但程式碼、數字和非英文語言，斷詞效率往往較低，所以表格裡的頁數估計，本來就是刻意抓個大概。
把視窗大小配對到工作內容
這張表的實際結論是：上下文視窗是依任務決定的選擇，而不是依訂閱決定的選擇。視窗最大的模型，很少是最會寫作的那個；最會寫作的模型，也很少是摘要800頁內容最省錢的方式。
這就是把整個型錄放進同一個工作區的理由。在Whizi裡，你可以把200頁的PDF交給一個大上下文的模型，再於同一段對話裡切換到Claude或GPT，根據它找到的內容來草擬文件，文件完全不用離開這段對話。老實說的另一面是：如果你餵給模型的東西，都能輕鬆塞進128K視窗，這涵蓋了大部分的郵件、草擬和短文件工作，那這整張表就沒有意義，單一供應商的訂閱反而是更簡單的選擇。如何選擇AI模型這篇指南，涵蓋了品質和成本上同樣的抉擇。
若要引用這一頁：不帶錨點的網址是穩定的，資料日期印在完整表格上方，而token數字來自供應商型錄，而不是行銷頁面。
- 在相信標題上的數字之前，先把你的文件和對話紀錄從視窗裡扣掉
- 對長文件來說，要測試從中間段落的記憶效果，不只是開頭
- 在做任何決定之前，先用四分之三法則把token換算成頁數
- 依任務挑選視窗大小，而不是依訂閱
- 引用數字時，先確認完整表格上方的資料日期
常見問題
哪一個AI模型的上下文視窗最大？
2026年8月型錄裡，是DeepSeek的DeepSeek V4 Flash 0731，視窗大小為1M token。上方的完整表格列出了全部100個模型，依視窗大小排序，資料日期印在表格上方。
Claude最大的上下文視窗是多少？
型錄裡Claude最大的上下文視窗是1M token（Claude Fable 5），大約可容納1,900頁的文字。較小的Claude版本列在上方的完整表格裡。
GPT最大的上下文視窗是多少？
型錄裡GPT最大的上下文視窗是1M token（GPT-5.4），大約可容納2,000頁的文字。較小的GPT版本列在上方的完整表格裡。
Gemini最大的上下文視窗是多少？
型錄裡Gemini最大的上下文視窗是1M token（Gemini 2.5 Flash），大約可容納2,000頁的文字。較小的Gemini版本列在上方的完整表格裡。
Grok最大的上下文視窗是多少？
型錄裡Grok最大的上下文視窗是1M token（Grok 4.3），大約可容納1,900頁的文字。較小的Grok版本列在上方的完整表格裡。
上下文視窗越大就越好嗎？
不一定。較大的視窗成本更高，而且記憶效果會在超大上下文的中段開始下降。對整本書、整個程式碼庫和長篇逐字稿來說，大視窗有決定性的影響，但對日常對話來說根本無關緊要。應該依任務配對視窗大小，而不是為了最大的數字買單。
一個上下文視窗能容納多少頁？
把token數除以大約530，就能換算成書稿頁數：一個token大約等於四分之三個英文單字，一頁大約400字。所以128K token大約是240頁，一百萬token大約是1,900頁。程式碼和非英文文字通常能容納的頁數會比較少。