Vous avez un contrat de 600 pages, un an de tickets de support ou une base de code entière, et vous voulez qu’un modèle d’IA lise tout cela avant de répondre. Il y a deux ans, il fallait découper le contenu en morceaux en espérant qu’aucun élément important ne se perde entre eux. Aujourd’hui, plusieurs modèles acceptent un million de tokens ou plus dans un seul prompt. Le piège, c’est que le chiffre affiché en gros rend rarement compte de ce que vous obtiendrez réellement. Cet article fait le tri entre les meilleures options à longue fenêtre de contexte, les limites réelles derrière les grands chiffres, ce que vous pouvez utiliser gratuitement et ce que coûte une fenêtre pleine quand la facture arrive.
💡 Réponse rapide : pour la plupart des gens, une fenêtre de 1M tokens chez Gemini, Claude ou GPT suffit largement. Llama 4 Scout annonce 10M, mais la précision au-delà de quelques centaines de milliers de tokens dépend bien davantage de la tâche que du chiffre affiché dans la fiche technique.
Ce qu’est vraiment une fenêtre de contexte
La fenêtre de contexte est la mémoire de travail d’un modèle de langage. Tout ce qu’il peut « voir » en rédigeant une réponse doit tenir à l’intérieur : vos instructions, les documents que vous collez, les échanges précédents de la conversation et la réponse en cours de génération. Une fois le budget épuisé, les éléments les plus anciens sont écartés ou la requête échoue.
Des tokens, pas des mots
Les modèles comptent des tokens, des fragments de texte d’environ les trois quarts d’un mot anglais. Quelques repères rendent les chiffres plus parlants :
| Taille de la fenêtre | Mots environ | Ce qui tient |
|---|
| 8K tokens | 6 000 | Un long article |
| 128K tokens | 96 000 | Un roman complet |
| 200K tokens | 150 000 | Un gros manuel technique |
| 1M tokens | 750 000 | Plusieurs romans ou une base de code de taille moyenne |
| 10M tokens | 7 500 000 | Une petite bibliothèque (annoncé seulement) |
Le code, les tableaux et les textes non anglais consomment généralement plus de tokens par mot. Une fenêtre de 1M tient donc moins que ne le suggère le tableau lorsque votre contenu est dense.

L’entrée et la sortie partagent le budget
Une surprise fréquente : la fenêtre est partagée. Si un modèle dispose d’une fenêtre de 1M et que vous envoyez 990K tokens, il ne reste qu’environ 10K tokens pour la réponse. Beaucoup de modèles fixent aussi une sortie maximale distincte (souvent 64K à 128K tokens), si bien qu’une fenêtre immense ne garantit pas une réponse immense. Si vous préparez une tâche du type « réécrivez tout ce manuscrit », vérifiez d’abord la limite de sortie, et pas seulement la taille de l’entrée.
Les meilleures options à longue fenêtre de contexte aujourd’hui
Le marché a évolué très vite. Un comparatif de la mi-2026 recensait plus d’une douzaine de modèles avec une fenêtre d’au moins 1M tokens, et ce groupe ne cesse de s’agrandir. Voici comment se positionnent les options disponibles sur PicassoIA, selon leur rôle.

Le groupe du million de tokens
Ce sont les modèles à regarder en premier lorsqu’un document est trop volumineux pour un chat classique :
- Gemini 3.1 Pro : Google a poussé le contexte long plus loin que quiconque, avec des fenêtres de 1M tokens et, dans certaines configurations, de 2M. Un choix solide pour les transcriptions de vidéos, les gros PDF et les entrées mêlant texte et images.
- Gemini 3.5 Flash : le frère plus rapide et moins cher. Idéal lorsqu’il faut parcourir beaucoup de texte rapidement et que l’on accepte une profondeur légèrement moindre.
- Claude Opus 4.7 : il offrirait une fenêtre de 1M au tarif standard au token, sans supplément pour les prompts longs. Un point important pour les budgets.
- Claude Sonnet 5 et Claude Fable 5 : efficaces pour suivre des instructions longues et détaillées sur un large corpus, un domaine où beaucoup de modèles décrochent.
- GPT 5.6 Luna, GPT 5.6 Terra et GPT 5.6 Sol : la gamme actuelle d’OpenAI. Une fiche décrit Luna avec une fenêtre de contexte d’environ 1,05M tokens et jusqu’à 128K tokens de sortie.
💡 Les tailles de fenêtre changent à chaque version et varient parfois selon le niveau d’accès. Considérez les chiffres de cet article comme un instantané et vérifiez la page du modèle avant de lancer une grosse tâche.
Llama 4 Scout et la promesse des 10M
Llama 4 Scout Instruct détient le record de la plus grande fenêtre annoncée : 10 millions de tokens. C’est un chiffre d’ingénierie impressionnant, mais les versions hébergées limitent souvent la longueur utilisable bien en deçà. Voyez les 10M comme la preuve que l’architecture peut s’étirer, et non comme la promesse de pouvoir y déposer dix romans et obtenir un rappel parfait. Son cousin Llama 4 Maverick Instruct mérite d’être testé si vous voulez un modèle de la famille open source pour une conversation générale.

Les options économiques et ouvertes
Toutes les tâches n’ont pas besoin d’un modèle de pointe. Des options moins chères reviennent sans cesse dans les classements du contexte long :
- Qwen3.7 Plus : un généraliste capable qui lit aussi les images.
- Kimi K2.6 : apprécié pour les tâches de type agent et pour le code réparti sur de nombreux fichiers.
- Granite 4.0 H Small : présenté comme un modèle gratuit à contexte long, reposant sur une conception hybride qui limite la consommation de mémoire.
- Granite 8B Code Instruct 128K : une fenêtre de 128K optimisée pour le code. Petit, rapide et largement suffisant pour un dépôt.
- DeepSeek V3 : un outil de travail à faible coût pour les longues tâches de texte où un raisonnement haut de gamme n’est pas nécessaire.
DeepSeek V4 Flash est cité comme l’un des moyens les moins chers de traiter une requête complète de 1M tokens, pour environ quatorze centimes. Il n’est pas encore disponible sur PicassoIA. Pour une approche similaire à faible coût aujourd’hui, essayez DeepSeek V3 ou Qwen3.7 Plus, présentés ci-dessus.
Les limites réelles derrière les grands chiffres
Un modèle qui accepte un million de tokens n’est pas la même chose qu’un modèle qui exploite bien un million de tokens. C’est la partie que les fiches techniques passent sous silence.
Longueur annoncée et longueur effective
Les benchmarks indépendants sur le contexte long retrouvent sans cesse le même schéma : la récupération d’un fait unique et évident reste solide sur toute la fenêtre, mais les tâches qui exigent plusieurs faits dispersés dans le contenu se dégradent bien plus tôt. Un panorama a chiffré l’écart entre longueur annoncée et longueur effective de 30 à 60 points pour la récupération de plusieurs faits au-delà de 200K tokens. Concrètement, vous pouvez coller l’intégralité de vos archives, mais la réponse à une question de recoupement délicate ne sera peut-être fiable que pour les premières centaines de milliers de tokens.

Le milieu perdu et autres pièges
Quatre limites reviennent systématiquement :
- La cécité du milieu. Les modèles accordent le plus d’attention au début et à la fin du prompt. Les faits enfouis au milieu sont plus souvent manqués.
- La latence. Un prompt complet de 1M tokens peut mettre bien plus d’une minute à être traité avant l’apparition du premier mot.
- Les plafonds de sortie. Comme indiqué plus haut, une entrée gigantesque ne garantit pas une réponse gigantesque.
- La distraction. Un texte hors sujet n’est pas anodin. Ajouter des documents sans rapport peut réduire la précision sur la partie qui vous intéresse.
💡 Règle empirique : si la réponse se trouve à un ou deux endroits, une fenêtre plus petite associée à une bonne récupération bat un collage géant. Si la réponse dépend de l’ensemble du document à la fois, comme le suivi d’une contradiction dans un contrat, optez pour la grande fenêtre.
Utilisation gratuite : ce que vous obtenez vraiment
« Gratuit » et « contexte long » figurent rarement dans la même phrase, car traiter un million de tokens coûte réellement en calcul. Il existe néanmoins des façons raisonnables d’expérimenter sans dépenser beaucoup.

Offres gratuites et leurs pièges
La plupart des fournisseurs proposent un accès gratuit limité à leurs applications de chat ou à leur API, mais la longue fenêtre est généralement la première chose restreinte. Schémas typiques :
- Un niveau de chat gratuit avec une fenêtre plus petite que la version payante.
- Un niveau API gratuit avec des limites de débit strictes, qu’un seul gros prompt peut épuiser.
- Des crédits d’essai qui disparaissent vite lorsque chaque requête représente des centaines de milliers de tokens.
Si vous testez une offre gratuite, commencez par un échantillon de 50K tokens de votre contenu. Vous saurez si le modèle gère votre type de contenu avant de dépenser quoi que ce soit pour un traitement complet.
Modèles gratuits et ouverts
Les modèles à poids ouverts constituent l’autre voie. Plusieurs modèles de PicassoIA sont signalés comme gratuits à essayer, dont Granite 4.0 H Small, Granite 4.1 8B et Llama 4 Maverick Instruct. Leurs fenêtres sont plus petites que celles des géants de pointe, généralement autour de 128K, mais cela suffit déjà pour un livre entier, un long rapport ou un dépôt de taille moyenne. Pour de nombreuses tâches courantes, c’est le juste milieu entre coût et capacités.
| Besoin | Solution gratuite pertinente |
|---|
| Résumer un long rapport | Un modèle ouvert à 128K comme Granite 4.0 H Small |
| Examiner un seul dépôt | Granite 8B Code Instruct 128K |
| Conversation longue et informelle | Llama 4 Maverick Instruct |
| Documents mêlant texte et images | Qwen3.7 Plus ou un modèle Gemini Flash |
Tarifs sans mauvaise surprise
Le tarif du contexte est simple en principe : vous payez par million de tokens d’entrée et par million de tokens de sortie. Le problème, c’est que les prompts longs font grimper vite la facture d’entrée, surtout dans les applications de chat où tout l’historique est renvoyé à chaque échange.

Le coût d’une fenêtre pleine
Un calcul rapide montre pourquoi c’est important. Avec un tarif d’entrée de 5 $ par million de tokens, un prompt complet de 1M tokens coûte environ 5 $ avant que le modèle n’écrive le moindre mot. À 1,25 $ par million, cela fait environ 1,25 $. À quatorze centimes, cela fait quatorze centimes. Posez dix questions de suivi sur le même prompt complet sans mise en cache, et vous payez cette fenêtre dix fois.
| Scénario | Tarif d’entrée par 1M tokens | Un prompt complet de 1M | Dix questions de suivi, sans cache |
|---|
| Modèle premium de pointe | environ 5 $ | environ 5 $ | environ 50 $ |
| Modèle de gamme intermédiaire | environ 1,25 $ | environ 1,25 $ | environ 12,50 $ |
| Modèle économique | environ 0,14 $ | environ 0,14 $ | environ 1,40 $ |
Ces chiffres sont des exemples tirés des tarifs publics récents. Les prix changent souvent : vérifiez le tarif en vigueur avant de vous engager sur un gros lot.
Mise en cache et suppléments
Deux détails modifient le calcul bien plus que le tarif affiché :
- La mise en cache des prompts. Beaucoup de fournisseurs facturent une fraction du tarif normal pour les entrées réutilisées. Si vous posez de nombreuses questions sur le même document, la mise en cache peut réduire la facture de façon spectaculaire.
- Les suppléments pour prompts longs. Certains éditeurs, dont Google, appliquent un tarif plus élevé une fois qu’un prompt dépasse un seuil. Anthropic aurait supprimé son supplément pour contexte long sur ses modèles récents, ce qui rend les coûts plus faciles à prévoir.
💡 Réflexe budgétaire : estimez d’abord les tokens (mots × 1,3), multipliez par le tarif d’entrée du modèle, puis multipliez par le nombre de questions que vous prévoyez de poser. Si le résultat vous fait grimacer, réduisez le contenu ou passez à un modèle moins cher.
Contexte long ou RAG ?
La génération augmentée par récupération, ou RAG, consiste à chercher d’abord dans vos documents et à n’envoyer au modèle que les passages pertinents. C’était la solution de contournement standard lorsque les fenêtres étaient petites, et elle reste une concurrente sérieuse.

| Critère | Contexte long | RAG |
|---|
| Effort de mise en place | Presque aucun, il suffit de coller | Demande une indexation et une couche de recherche |
| Coût par question | Élevé sur de grandes entrées | Faible, petits prompts |
| Raisonnement entre documents | Solide lorsque tout tient | Plus faible, des morceaux peuvent être manqués |
| Actualité | À recoller à chaque fois | L’index se met à jour automatiquement |
| Idéal pour | Lectures approfondies ponctuelles | Questions répétées sur une bibliothèque immense et changeante |
Utilisez le contexte long lorsque vous avez besoin d’une lecture approfondie d’un ensemble délimité de fichiers, comme un lot de contrats, un corpus d’articles de recherche ou un dépôt unique. Utilisez le RAG lorsque la bibliothèque est énorme, change chaque jour, ou que vous poserez des milliers de petites questions. Beaucoup de dispositifs performants combinent les deux : on récupère quelques centaines de milliers de tokens parmi les meilleurs candidats, puis un modèle à longue fenêtre raisonne sur l’ensemble.
Conseils de prompting pour les entrées volumineuses
Une grande fenêtre récompense un peu de structure. Ces habitudes améliorent les résultats sur presque tous les modèles.

Structurer le prompt
- Placez la question après les documents. Mettez votre consigne tout à la fin, et répétez la demande principale en une ligne si le contenu est long.
- Étiquetez chaque document. Utilisez des balises simples telles que
<doc id="3" title="Lease 2024"> pour que le modèle puisse indiquer d’où vient un fait.
- Classez par importance. Comme le début et la fin reçoivent le plus d’attention, placez-y les éléments les plus critiques.
- Retirez le bruit. Supprimez les en-têtes, les pieds de page, les pages en double et le texte standard avant de coller.
Vérifier la réponse
- Demandez des citations. Exigez le passage exact qui étaye chaque affirmation, puis vérifiez-en trois ou quatre au hasard.
- Faites un test de l’aiguille. Cachez un fait inventé dans votre contenu et posez une question dessus. Si le modèle le manque, réduisez votre confiance pour cette longueur.
- Découpez en cas de doute. Deux prompts de 300K tokens donnent souvent de meilleurs résultats qu’un seul de 600K.
Mettre une grande fenêtre au travail
La meilleure façon de savoir où la mémoire d’un modèle commence à s’effilocher est de le tester sur vos propres contenus. Choisissez un document que vous connaissez bien, collez-le dans un modèle tel que Gemini 3.1 Pro, Claude Opus 4.7 ou Llama 4 Scout Instruct, puis posez trois questions : une facile, une qui exige de recouper deux faits éloignés, et une qui vérifie un détail situé au milieu. Recommencez ensuite avec une option moins chère et comparez.

Voici une routine simple qui fonctionne sur PicassoIA :
- Ouvrez la collection de grands modèles de langage et choisissez un modèle parmi ceux listés plus haut.
- Collez d’abord un échantillon de 50K tokens pour vérifier la qualité avant un traitement complet.
- Placez votre question en dernier, étiquetez chaque document et demandez des citations à l’appui.
- Comparez deux modèles sur le même prompt et gardez le moins cher si les réponses concordent.
Une fois vos longs documents résumés, PicassoIA peut aussi transformer les résultats en visuels, voix off et clips vidéo. Essayez-le dès aujourd’hui avec vos propres textes, et voyez jusqu’où une fenêtre plus grande peut mener votre prochain projet.