Tienes un contrato de 600 páginas, un año de tickets de soporte o un repositorio de código entero, y quieres que un modelo de IA lo lea todo antes de responder. Hace dos años eso significaba trocear el material y esperar que nada importante se perdiera entre los trozos. Hoy, varios modelos aceptan un millón de tokens o más en un solo prompt. El problema es que la cifra destacada rara vez te dice lo que realmente vas a obtener. Este artículo ordena las mejores opciones de contexto largo, los límites reales que hay detrás de las grandes cifras, qué puedes usar gratis y cuánto cuesta una ventana completa cuando llega la factura.
💡 Respuesta rápida: Para la mayoría de personas, una ventana de 1M tokens de Gemini, Claude o GPT es más que suficiente. Llama 4 Scout anuncia 10M, pero la precisión por encima de unos cientos de miles de tokens depende mucho más de la tarea que de la cifra impresa en la ficha técnica.
Qué es realmente una ventana de contexto
La ventana de contexto es la memoria de trabajo de un modelo de lenguaje. Todo lo que puede "ver" mientras escribe una respuesta tiene que caber dentro: tus instrucciones, los documentos que pegas, los turnos anteriores del chat y la respuesta que está generando. Cuando se agota el presupuesto, el material más antiguo se descarta o la solicitud falla.
Tokens, no palabras
Los modelos cuentan tokens, fragmentos de texto que equivalen más o menos a tres cuartos de una palabra en inglés. Algunos puntos de referencia ayudan a imaginar mejor las cifras:
| Tamaño de la ventana | Palabras aproximadas | Qué cabe |
|---|
| 8K tokens | 6.000 | Un artículo largo |
| 128K tokens | 96.000 | Una novela completa |
| 200K tokens | 150.000 | Un manual técnico extenso |
| 1M tokens | 750.000 | Varias novelas o un repositorio de tamaño medio |
| 10M tokens | 7.500.000 | Una biblioteca pequeña (solo anunciado) |
El código, las tablas y los textos que no están en inglés suelen consumir más tokens por palabra, así que una ventana de 1M cabe menos de lo que sugiere la tabla si tu material es denso.

La entrada y la salida comparten el presupuesto
Una sorpresa habitual: la ventana se comparte. Si un modelo tiene una ventana de 1M y envías 990K tokens, solo quedan unos 10K para la respuesta. Muchos modelos también fijan una salida máxima aparte (a menudo entre 64K y 128K tokens), así que una ventana enorme no significa una respuesta enorme. Cuando planifiques una tarea como "reescribe este manuscrito completo", revisa primero el límite de salida, no solo el tamaño de la entrada.
Las mejores opciones de contexto largo ahora mismo
El mercado se ha movido deprisa. Una comparativa de mediados de 2026 contaba bien más de una docena de modelos con una ventana de 1M tokens o más, y el grupo sigue creciendo. Así se comparan las opciones disponibles en PicassoIA según su función.

El grupo del millón de tokens
Estos son los modelos que más personas deberían mirar primero cuando un documento es demasiado grande para un chat normal:
- Gemini 3.1 Pro: Google ha llevado el contexto largo más lejos que nadie, con ventanas de 1M tokens y, en algunas configuraciones, de 2M. Una opción sólida para transcripciones de video, PDF grandes y entradas mixtas de texto e imagen.
- Gemini 3.5 Flash: el hermano más rápido y barato. Sirve bien cuando necesitas escanear mucho texto con rapidez y puedes aceptar algo menos de profundidad.
- Claude Opus 4.7: según se informa, ofrece una ventana de 1M a su precio estándar por token, sin recargo adicional por prompt largo. Eso importa para los presupuestos.
- Claude Sonnet 5 y Claude Fable 5: destacan siguiendo instrucciones largas y detalladas sobre un volumen grande de material, que es donde suelen fallar muchos modelos.
- GPT 5.6 Luna, GPT 5.6 Terra y GPT 5.6 Sol: la línea actual de OpenAI. Una ficha describe Luna con una ventana de contexto de unos 1,05M tokens y hasta 128K tokens de salida.
💡 Las cifras de las ventanas cambian con cada lanzamiento y a veces varían según el nivel de acceso. Toma los números de aquí como una foto del momento y revisa la página del modelo antes de planificar una tarea grande.
Llama 4 Scout y la promesa de 10M
Llama 4 Scout Instruct ostenta el récord de la ventana anunciada más grande: 10 millones de tokens. Es una cifra de ingeniería impresionante, pero las versiones alojadas suelen limitar la longitud utilizable muy por debajo. Considera los 10M como una prueba de que la arquitectura puede estirarse, no como una promesa de que puedas meter diez novelas y recuperarlas todas con perfección. Su hermano Llama 4 Maverick Instruct merece una prueba si quieres un modelo de pesos abiertos para chat general.

Opciones económicas y abiertas
No todas las tareas necesitan un modelo de vanguardia. Las opciones más baratas siguen apareciendo en los rankings de contexto largo:
- Qwen3.7 Plus: un generalista capaz que además lee imágenes.
- Kimi K2.6: popular para trabajos de estilo agente y código repartido en muchos archivos.
- Granite 4.0 H Small: aparece como modelo gratuito de contexto largo, construido con un diseño híbrido que mantiene bajo el uso de memoria.
- Granite 8B Code Instruct 128K: una ventana de 128K ajustada para código. Pequeño, rápido y suficiente para un repositorio.
- DeepSeek V3: un caballo de batalla de bajo costo para trabajos con textos largos en los que no hace falta un razonamiento de primer nivel.
Se ha citado a DeepSeek V4 Flash como una de las formas más baratas de ejecutar una solicitud completa de 1M tokens, por unos catorce centavos. Todavía no está en PicassoIA, así que, para un enfoque parecido de bajo costo hoy, prueba DeepSeek V3 o Qwen3.7 Plus de la lista anterior.
Los límites reales detrás de las grandes cifras
Un modelo que acepta un millón de tokens no es lo mismo que un modelo que usa bien un millón de tokens. Esta es la parte que las fichas técnicas omiten.
Longitud anunciada frente a longitud efectiva
Los benchmarks independientes de contexto largo encuentran siempre el mismo patrón: la recuperación de un dato obvio se mantiene sólida a lo largo de toda la ventana, pero las tareas que requieren varios datos repartidos por el material se degradan mucho antes. Una recopilación situó la diferencia entre la longitud anunciada y la efectiva en 30 a 60 puntos para la recuperación de múltiples datos por encima de 200K tokens. En términos sencillos, puedes pegar el archivo completo, pero la respuesta a una pregunta delicada de referencias cruzadas puede ser fiable solo en los primeros cientos de miles de tokens.

Perdido en el medio y otras trampas
Cuatro límites aparecen una y otra vez:
- Ceguera en el medio. Los modelos prestan más atención al inicio y al final del prompt. Los datos enterrados en el medio se pasan por alto con más frecuencia.
- Latencia. Un prompt completo de 1M tokens puede tardar bastante más de un minuto en procesarse antes de que aparezca la primera palabra.
- Límites de salida. Como se indicó antes, una entrada gigante no te compra una respuesta gigante.
- Distracción. El texto irrelevante no es inofensivo. Añadir documentos sin relación puede reducir la precisión en la parte que te interesa.
💡 Regla práctica: Si la respuesta está en uno o dos lugares, una ventana más pequeña con una buena recuperación de información vence a pegarlo todo de golpe. Si la respuesta depende de todo el documento a la vez, como seguir una contradicción a lo largo de un contrato, opta por lo grande.
Uso gratuito: qué obtienes de verdad
"Gratis" y "contexto largo" rara vez aparecen en la misma frase, porque procesar un millón de tokens cuesta cómputo real. Aun así, hay formas sensatas de experimentar sin pagar mucho.

Niveles gratuitos y sus letras pequeñas
La mayoría de proveedores ofrecen acceso gratuito limitado a sus aplicaciones de chat o a su API, pero la ventana larga suele ser lo primero que restringen. Patrones habituales:
- Un nivel de chat gratuito con una ventana más pequeña que la de pago.
- Un nivel gratuito de API con límites de tasa estrictos que una sola solicitud grande puede agotar.
- Créditos de prueba que se gastan rápido cuando cada solicitud ocupa cientos de miles de tokens.
Si pruebas un nivel gratuito, empieza con una muestra de 50K tokens de tu material. Así sabrás si el modelo maneja tu tipo de contenido antes de gastar nada en una ejecución completa.
Modelos gratuitos y abiertos
Los modelos de pesos abiertos son la otra vía. Varios en PicassoIA están etiquetados como gratuitos para probar, entre ellos Granite 4.0 H Small, Granite 4.1 8B y Llama 4 Maverick Instruct. Sus ventanas son más pequeñas que las de los gigantes de vanguardia, normalmente en el rango de 128K, pero eso ya cabe un libro completo, un informe largo o un repositorio de tamaño medio. Para muchas tareas cotidianas, ese es el punto justo entre costo y capacidad.
| Necesidad | Ruta gratuita sensata |
|---|
| Resumir un informe largo | Un modelo abierto de 128K como Granite 4.0 H Small |
| Revisar un solo repositorio | Granite 8B Code Instruct 128K |
| Chat largo casual | Llama 4 Maverick Instruct |
| Documentos mixtos de texto e imagen | Qwen3.7 Plus o un modelo Gemini Flash |
Precios sin sorpresas
La tarificación por contexto es simple en principio: pagas por millón de tokens de entrada y por millón de tokens de salida. El problema es que los prompts largos multiplican la factura de entrada muy rápido, sobre todo en las aplicaciones de chat, donde todo el historial se reenvía en cada turno.

El costo de una ventana completa
Un cálculo rápido muestra por qué importa. Con un precio de entrada de $5 por millón de tokens, un prompt completo de 1M tokens cuesta unos $5 antes de que el modelo escriba una sola palabra. A $1,25 por millón, son unos $1,25. A catorce centavos, son catorce centavos. Si haces diez preguntas de seguimiento sobre el mismo prompt completo sin caché, pagas esa ventana diez veces.
| Escenario | Precio de entrada por 1M tokens | Un prompt completo de 1M | Diez seguimientos, sin caché |
|---|
| Modelo premium de vanguardia | unos $5 | unos $5 | unos $50 |
| Modelo de precio medio | unos $1,25 | unos $1,25 | unos $12,50 |
| Modelo económico | unos $0,14 | unos $0,14 | unos $1,40 |
Estas cifras son ejemplos tomados de listas de precios públicas recientes. Los precios cambian a menudo, así que consulta la tarifa actual antes de comprometerte con un lote grande.
Caché y recargos
Dos detalles cambian la cuenta más que la tarifa principal:
- Caché de prompts. Muchos proveedores cobran una fracción de la tarifa normal por la entrada que reutilizas. Si haces muchas preguntas sobre el mismo documento, la caché puede reducir la factura de forma notable.
- Recargos por prompt largo. Algunos proveedores, entre ellos Google, cobran una tarifa más alta una vez que un prompt supera un umbral. Se ha informado de que Anthropic eliminó el recargo por contexto largo en modelos recientes, lo que hace que el costo sea más fácil de predecir.
💡 Hábito de presupuesto: Estima primero los tokens (palabras por 1,3), multiplica por el precio de entrada del modelo y después por el número de preguntas que planeas hacer. Si el resultado te hace torcer el gesto, recorta el material o cambia a un modelo más barato.
¿Contexto largo o RAG?
La generación aumentada por recuperación, o RAG, consiste en buscar primero en tus documentos y enviar al modelo solo los pasajes relevantes. Fue el parche habitual cuando las ventanas eran pequeñas, y sigue siendo un competidor serio.

| Factor | Contexto largo | RAG |
|---|
| Esfuerzo de configuración | Casi ninguno, solo pegar | Requiere indexación y una capa de búsqueda |
| Costo por pregunta | Alto con entradas grandes | Bajo, prompts pequeños |
| Razonamiento entre documentos | Sólido cuando cabe | Más débil, pueden perderse fragmentos |
| Actualidad | Volver a pegar cada vez | El índice se actualiza solo |
| Ideal para | Lecturas profundas puntuales | Preguntas repetidas sobre una biblioteca enorme y cambiante |
Usa contexto largo cuando necesites una lectura profunda de un conjunto acotado de archivos, como un paquete de contratos, un conjunto de artículos de investigación o un único repositorio. Usa RAG cuando la biblioteca sea enorme, cambie a diario o vayas a hacer miles de preguntas pequeñas. Muchas configuraciones sólidas combinan ambas cosas: recuperan unos cientos de miles de tokens con los mejores candidatos y luego dejan que un modelo de ventana larga razone sobre ellos.
Consejos de prompts para entradas enormes
Una ventana grande premia un poco de estructura. Estos hábitos mejoran los resultados en casi cualquier modelo.

Estructura el prompt
- Pon la pregunta después de los documentos. Coloca tu instrucción al final del todo y repite la petición clave en una línea si el material es largo.
- Etiqueta cada documento. Usa etiquetas sencillas como
<doc id="3" title="Lease 2024"> para que el modelo pueda citar de dónde viene cada dato.
- Ordena por importancia. Como el inicio y el final reciben más atención, pon ahí el material más crítico.
- Elimina el ruido. Quita encabezados, pies de página, páginas duplicadas y texto repetitivo antes de pegar.
Verifica la respuesta
- Pide citas. Solicita el pasaje exacto que respalda cada afirmación y revisa tres o cuatro de ellos.
- Haz una prueba de aguja. Esconde un dato inventado en tu material y pregunta por él. Si el modelo no lo encuentra, baja tu confianza para esa longitud.
- Divide si tienes dudas. Dos prompts de 300K tokens suelen dar más precisión que uno de 600K.
Pon a trabajar una ventana grande
La mejor forma de saber dónde empieza a deshilacharse la memoria de un modelo es probarlo con tu propio material. Elige un documento que conozcas bien, pégalo en un modelo como Gemini 3.1 Pro, Claude Opus 4.7 o Llama 4 Scout Instruct, y haz tres preguntas: una fácil, otra que necesite dos datos alejados entre sí y otra que compruebe un detalle del medio. Después repite con una opción más barata y compara.

Esta es una rutina sencilla que funciona en PicassoIA:
- Abre la colección de Large Language Models y elige un modelo de las listas anteriores.
- Pega primero una muestra de 50K tokens para comprobar la calidad antes de una ejecución completa.
- Pon tu pregunta al final, etiqueta cada documento y pide citas que respalden las respuestas.
- Compara dos modelos con el mismo prompt y quédate con el más barato si las respuestas coinciden.
Cuando tus documentos largos estén resumidos, PicassoIA también puede convertir los resultados en visuales, locuciones y clips de video. Pruébalo con tu propio texto hoy y comprueba hasta dónde puede llevar una ventana más grande tu próximo proyecto.