哪个AI模型的上下文窗口最大？
2026年8月目录里最大的上下文窗口是1M token，属于DeepSeek旗下的DeepSeek V4 Flash 0731。给个大致的物理直觉：一个token大约相当于四分之三个英文单词，一页手稿大约400个单词，所以下表把每个窗口都换算成了页数。
每个主要提供商各占一行，展示其上下文最大的模型：
| 提供商 | 上下文最大的模型 | 上下文窗口 | 大约能装下 |
|---|---|---|---|
| DeepSeek | DeepSeek V4 Flash 0731 | 1M token | 约2,500页 |
| OpenAI | GPT-5.4 | 1M token | 约2,000页 |
| Gemini 2.5 Flash | 1M token | 约2,000页 | |
| Meta | Llama 4 Maverick | 1M token | 约2,000页 |
| Qwen | Qwen3.8 2.4T A95B | 1M token | 约2,000页 |
| Moonshot | Kimi K3 | 1M token | 约2,000页 |
| Z.ai | GLM 5.2 | 1M token | 约2,000页 |
| MiniMax | MiniMax M3 | 1M token | 约2,000页 |
| Anthropic | Claude Fable 5 | 1M token | 约1,900页 |
| xAI | Grok 4.3 | 1M token | 约1,900页 |
| Mistral | Mistral Large 3 2512 | 262K token | 约492页 |
如果你搜索这个问题的初衷其实是“上下文窗口到底是什么”，先看看这篇讲得很清楚的什么是上下文窗口？入门解释，再回来看这些数字。
全部100个模型按上下文窗口怎么排名？
完整目录，按上下文窗口排序。数据来自和AI模型成本指数相同的来源，采集于2026-08-20；这是那个日期的一份快照，不是实时数据，引用数字前请先核对日期。积分这一栏显示的是在Whizi里每条消息的花费，前提是所在方案包含该模型。
| 模型 | 提供商 | 上下文窗口 | 大约能装下 | Whizi积分 |
|---|---|---|---|---|
| DeepSeek V4 Flash 0731 | DeepSeek | 1M | 约2,500页 | 1 |
| GPT-5.4 | OpenAI | 1M | 约2,000页 | 15 |
| GPT-5.5 | OpenAI | 1M | 约2,000页 | 20 |
| GPT-5.6 Luna | OpenAI | 1M | 约2,000页 | 1 |
| GPT-5.6 Luna Pro | OpenAI | 1M | 约2,000页 | 不单独计积分 |
| GPT-5.6 Sol | OpenAI | 1M | 约2,000页 | 20 |
| GPT-5.6 Sol Pro | OpenAI | 1M | 约2,000页 | 不单独计积分 |
| GPT-5.6 Terra | OpenAI | 1M | 约2,000页 | 4 |
| GPT-5.6 Terra Pro | OpenAI | 1M | 约2,000页 | 不单独计积分 |
| LongCat 2.0 | Meituan | 1M | 约2,000页 | 1 |
| DeepSeek V4 Pro 0813 | DeepSeek | 1M | 约2,000页 | 2 |
| Gemini 2.5 Flash | 1M | 约2,000页 | 2 | |
| Gemini 2.5 Flash Lite | 1M | 约2,000页 | 1 | |
| Gemini 3.1 Flash Lite | 1M | 约2,000页 | 1 | |
| Gemini 3.1 Pro Preview | 1M | 约2,000页 | 10 | |
| Gemini 3.5 Flash | 1M | 约2,000页 | 8 | |
| Gemini 3.5 Flash Lite | 1M | 约2,000页 | 2 | |
| Gemini 3.6 Flash | 1M | 约2,000页 | 3 | |
| Gemini 3.7 Flash | 1M | 约2,000页 | 2 | |
| GLM 5.2 | Z.ai | 1M | 约2,000页 | 3 |
| GLM 5.3 | Z.ai | 1M | 约2,000页 | 5 |
| Inkling | Thinkingmachines | 1M | 约2,000页 | 4 |
| Kimi K3 | Moonshot | 1M | 约2,000页 | 10 |
| Laguna S 2.1 | Poolside | 1M | 约2,000页 | 1 |
| Llama 4 Maverick | Meta | 1M | 约2,000页 | 1 |
| MiniMax M3 | MiniMax | 1M | 约2,000页 | 1 |
| Muse Spark 1.1 | Meta | 1M | 约2,000页 | 5 |
| Muse Spark 1.2 | Meta | 1M | 约2,000页 | 5 |
| Qwen3.8 2.4T A95B | Qwen | 1M | 约2,000页 | 8 |
| Claude Fable 5 | Anthropic | 1M | 约1,900页 | 50 |
| Claude Opus 4.7 (Fast) | Anthropic | 1M | 约1,900页 | 不单独计积分 |
| Claude Opus 4.8 | Anthropic | 1M | 约1,900页 | 20 |
| Claude Opus 4.8 (Fast) | Anthropic | 1M | 约1,900页 | 不单独计积分 |
| Claude Opus 5 | Anthropic | 1M | 约1,900页 | 20 |
| Claude Opus 5 (Fast) | Anthropic | 1M | 约1,900页 | 不单独计积分 |
| Claude Sonnet 4.5 | Anthropic | 1M | 约1,900页 | 10 |
| Claude Sonnet 4.6 | Anthropic | 1M | 约1,900页 | 10 |
| Claude Sonnet 5 | Anthropic | 1M | 约1,900页 | 10 |
| Fugu Ultra | Sakana | 1M | 约1,900页 | 25 |
| Grok 4.3 | xAI | 1M | 约1,900页 | 4 |
| Qwen3.5 Plus 2026-04-20 | Qwen | 1M | 约1,900页 | 1 |
| Qwen3.6 Flash | Qwen | 1M | 约1,900页 | 1 |
| Qwen3.7 Flash | Qwen | 1M | 约1,900页 | 1 |
| Qwen3.7 Max | Qwen | 1M | 约1,900页 | 5 |
| Qwen3.7 Plus | Qwen | 1M | 约1,900页 | 1 |
| Qwen3.8 27B | Qwen | 1M | 约1,900页 | 3 |
| Qwen3.8 Max | Qwen | 1M | 约1,900页 | 6 |
| Inkling Small | Thinkingmachines | 524K | 约983页 | 1 |
| Solar Pro 4 | Upstage | 524K | 约983页 | 1 |
| Nemotron 3 Ultra | NVIDIA | 512K | 约961页 | 3 |
| Grok 4.5 | xAI | 500K | 约938页 | 6 |
| Grok 4.6 | xAI | 500K | 约938页 | 6 |
| GPT Chat Latest | OpenAI | 400K | 约750页 | 25 |
| GPT-5.4 Mini | OpenAI | 400K | 约750页 | 4 |
| GPT-5.4 Nano | OpenAI | 400K | 约750页 | 2 |
| Nova Pro 1.0 | Amazon | 300K | 约563页 | 3 |
| Hy3 | Tencent | 262K | 约492页 | 1 |
| Kimi K2 Thinking | Moonshot | 262K | 约492页 | 10 |
| Kimi K2.7 Code | Moonshot | 262K | 约492页 | 10 |
| Laguna XS 2.1 | Poolside | 262K | 约492页 | 1 |
| Ling-3.0-flash | inclusionAI | 262K | 约492页 | 1 |
| Mistral Large 3 2512 | Mistral | 262K | 约492页 | 2 |
| Mistral Medium 3.5 | Mistral | 262K | 约492页 | 6 |
| Nemotron 3.5 Lightning | NVIDIA | 262K | 约492页 | 1 |
| Nex-N2-Mini | Nex Agi | 262K | 约492页 | 1 |
| Nex-N2-Pro | Nex Agi | 262K | 约492页 | 1 |
| Qwen3 Coder Next | Qwen | 262K | 约492页 | 1 |
| Qwen3.6 35B A3B | Qwen | 262K | 约492页 | 1 |
| Ring-2.6-1T | inclusionAI | 262K | 约492页 | 1 |
| Sakana Namazu | Sakana | 262K | 约492页 | 4 |
| Seed 2.1 Turbo | Bytedance Seed | 262K | 约492页 | 2 |
| Seed-2.0-Code | Bytedance Seed | 262K | 约492页 | 3 |
| Step 3.7 Flash | Stepfun | 262K | 约492页 | 1 |
| Codestral 2508 | Mistral | 256K | 约480页 | 1 |
| Command A | Cohere | 256K | 约480页 | 10 |
| Grok Build 0.1 | xAI | 256K | 约480页 | 3 |
| KAT-Coder-Air V2.5 | Kwaipilot | 256K | 约480页 | 1 |
| KAT-Coder-Pro V2.5 | Kwaipilot | 256K | 约480页 | 3 |
| GLM 4.6 | Z.ai | 205K | 约384页 | 1 |
| GLM 4.7 | Z.ai | 205K | 约384页 | 2 |
| GLM 5 | Z.ai | 205K | 约384页 | 2 |
| MiniMax M2 | MiniMax | 205K | 约384页 | 1 |
| Claude Haiku 4.5 | Anthropic | 200K | 约375页 | 4 |
| DeepSeek V3.1 | DeepSeek | 164K | 约307页 | 1 |
| DeepSeek V3.2 | DeepSeek | 164K | 约307页 | 1 |
| Aion-3.0 | Aion Labs | 131K | 约246页 | 10 |
| Aion-3.0-Mini | Aion Labs | 131K | 约246页 | 2 |
| Granite 4.1 8B | Ibm Granite | 131K | 约246页 | 1 |
| Kimi K2 0711 | Moonshot | 131K | 约246页 | 10 |
| Llama 3.3 70B Instruct | Meta | 131K | 约246页 | 1 |
| Mistral Medium 3.1 | Mistral | 131K | 约246页 | 2 |
| Muse Glimmer 30B | Meta | 131K | 约246页 | 2 |
| Nano Banana 2 (Gemini 3.1 Flash Image) | 131K | 约246页 | 不单独计积分 | |
| Nano Banana Pro (Gemini 3 Pro Image) | 131K | 约246页 | 不单独计积分 | |
| Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) | 66K | 约123页 | 不单独计积分 | |
| R1 | DeepSeek | 64K | 约120页 | 2 |
| Perceptron Mk1 | Perceptron | 33K | 约61页 | 1 |
| Phi 4 | Microsoft | 16K | 约31页 | 1 |
| Hy-MT2-1.8B | Tencent | 8K | 约15页 | 不单独计积分 |
| Hy-MT2-30B-A3B | Tencent | 8K | 约15页 | 不单独计积分 |
如何诚实地解读这些数字
这个窗口是共用的。 你的提示词、对话里之前的每一条消息、你附加的任何文档，以及正在生成的回答，全都同时占用这个窗口。一个128K窗口的模型如果已经读过一份100K token的合同，剩下能用来讨论的不是128K，而是28K。
宣传的数字不等于实际有效的数字。 长上下文方面的研究反复发现同一个规律：模型对超大上下文的开头和结尾记得更牢，对中间部分记得更差。在Lost in the Middle实验（Liu等，2023年）中，把关键文档从输入的两端移到中间，模型的准确率大约下降20个百分点，所以一个模型可以接受一百万token的输入，却依然会略过埋在第40万个token处的那条条款。对高风险的长文档工作，要专门去问中间部分的内容，或者把文档分成带标签的几部分喂给它。
更大不代表自动更好。 更大的窗口运行成本更高，还可能把注意力稀释到不相关的文字上。如果你的工作是邮件和短篇草稿，窗口大小永远不会是你会注意到的东西。它开始真正重要，是在整份合同、整个代码库、完整会议记录和整本书这类场景下。
token不等于单词。 四分之三这个换算规则是英文的一个不错的平均值，但代码、数字和非英语语言的token化效率往往更低，所以表格里的页数估算故意留得比较粗略。
把窗口大小和任务匹配起来
这张表格给出的实际结论是：上下文窗口是一个按任务做的选择，而不是按订阅做的选择。窗口最大的模型很少是写作最好的那个，写作最好的模型也很少是总结800页文档最便宜的方式。
这正是把整个目录放进同一个工作区的理由。在Whizi里，你可以把这份200页的PDF交给一个大上下文模型，再在同一个对话里切换到Claude或GPT，根据它找到的内容起草文字，文档全程不用离开这条对话线。诚实的反面观点是：如果你喂给模型的一切都能轻松装进128K窗口，也就是覆盖了大多数邮件、起草和短文档工作，那么这整张表格其实无关紧要，单一供应商的订阅反而是更简单的选择。如何选择AI模型这篇指南从质量和成本的角度讲了同样的决定。
如果要引用这个页面：不带锚点的URL是稳定的，数据日期印在完整表格上方，token数字来自各提供商的目录本身，而不是营销页面。
- 在相信那个头条数字之前，先减掉你的文档和对话历史占用的部分
- 对长文档，测试它对中间部分的记忆，而不只是开头
- 在做任何决定之前，先用四分之三规则把token换算成页数
- 按任务而不是按订阅来选择窗口大小
- 引用数字时，先看完整表格上方的数据日期
常见问题
哪个AI模型的上下文窗口最大？
在2026年8月的目录里，是DeepSeek旗下的DeepSeek V4 Flash 0731，上下文窗口为1M token。上方的完整表格按窗口大小列出了全部100个模型，数据日期印在表格上方。
Claude最大的上下文窗口是多少？
目录里Claude最大的上下文窗口是1M token（Claude Fable 5），大约能装下1,900页文字。更小的Claude版本列在上方的完整表格里。
GPT最大的上下文窗口是多少？
目录里GPT最大的上下文窗口是1M token（GPT-5.4），大约能装下2,000页文字。更小的GPT版本列在上方的完整表格里。
Gemini最大的上下文窗口是多少？
目录里Gemini最大的上下文窗口是1M token（Gemini 2.5 Flash），大约能装下2,000页文字。更小的Gemini版本列在上方的完整表格里。
Grok最大的上下文窗口是多少？
目录里Grok最大的上下文窗口是1M token（Grok 4.3），大约能装下1,900页文字。更小的Grok版本列在上方的完整表格里。
上下文窗口是不是越大越好？
不是。更大的窗口运行成本更高，而且在一个超大上下文里，越靠中间记忆效果越差。更大的窗口对整本书、整个代码库和长篇会议记录来说是决定性的，对日常聊天来说则无关紧要。把窗口大小和任务匹配起来，而不是为最大的那个数字买单。
一个上下文窗口能装下多少页？
把token数除以大约530，就能得到手稿页数：一个token大约是四分之三个英文单词，一页大约是400个单词。所以128K token大约是240页，一百万token大约是1,900页。代码和非英语文本通常能装下的页数更少。