Tamanho de contexto de LLM: modelos gratuitos, limites de memória, configurações e dicas de roleplay

Por que seu personagem de IA esquece nomes depois de vinte mensagens? Este artigo explica o tamanho de contexto de LLM em palavras simples, compara modelos gratuitos pelo tamanho da memória, mostra quais configurações mudar e dá hábitos práticos de roleplay que mantêm histórias longas coerentes.

Tamanho de contexto de LLM: modelos gratuitos, limites de memória, configurações e dicas de roleplay
Cristian Da Conceicao

Seu personagem acabou de chamar você pelo nome errado. O dragão que você matou três cenas atrás está de novo vivo, e a taverna que você incendiou agora serve cerveja. Nada está quebrado, e o modelo não está sendo preguiçoso. Ele simplesmente ficou sem espaço. Todo modelo de linguagem lê e escreve dentro de uma janela de memória fixa, e, quando sua conversa ultrapassa essa janela, o material mais antigo sai de vista sem alarde.

Este artigo explica tamanho de contexto de LLM em palavras simples: o que ele mede, qual é o tamanho em modelos gratuitos populares, quais configurações mudam quanto o modelo lembra e como manter um roleplay longo coerente sem pagar por uma janela gigante que você talvez não precise.

💡 Resposta rápida: o tamanho de contexto é o número total de tokens que um modelo consegue analisar em uma única requisição. Esse total inclui suas instruções, o histórico do chat e a resposta que o modelo está prestes a escrever. Quando o total passa do limite, algo é cortado.

O que realmente significa tamanho de contexto

Pense na janela de contexto como a mesa de trabalho em que o modelo trabalha. Tudo o que ele pode ver precisa caber nessa mesa ao mesmo tempo. O que não cabe deixa de existir, do ponto de vista do modelo. Ele não tem um arquivo escondido e não carrega memórias de uma requisição para a seguinte. Cada resposta é gerada do zero, a partir do texto que você envia junto com ela.

Cartões de índice de papel dispostos em uma longa fileira sinuosa sobre uma mesa de madeira

Tokens, não palavras

Os modelos não contam palavras. Eles contam tokens, que são pedaços de texto. Em inglês, um token equivale a cerca de quatro caracteres, ou a cerca de três quartos de uma palavra. Palavras curtas e comuns costumam ser um token só. Nomes raros, gírias e palavras em outros idiomas podem ocupar de três a quatro tokens cada.

Tamanho do contextoAprox. de palavras em inglêsEquivale mais ou menos a
4K (4.096 tokens)3.000Um post de blog longo
8K6.000Um conto curto
32K24.000Um conjunto de capítulos de novela
128K96.000Um romance completo
1M750.000Uma estante de livros

Estes são valores aproximados. Código, emojis e textos fora do inglês consomem tokens mais rápido, então um chat em japonês ou árabe preenche a mesma janela mais cedo do que um chat em inglês.

O que preenche a janela

Os iniciantes imaginam que a janela guarda apenas o chat. Ela guarda muito mais:

  • O prompt de sistema, que define as regras e o tom.
  • O cartão de personagem ou a persona, que sozinho costuma ter de 500 a 1.500 tokens.
  • Lorebook ou notas do mundo, se seu app as injetar.
  • Cada mensagem anterior sua e do modelo.
  • O espaço reservado para a próxima resposta, definido pela configuração de saída máxima.

Esse último item surpreende as pessoas. Se sua janela é de 8K e você reserva 1.000 tokens para a resposta, na prática sobram 7K para todo o resto.

Tamanhos de contexto em modelos gratuitos

"Gratuito" pode significar coisas diferentes. Pode significar pesos abertos que você roda no seu próprio computador, um plano gratuito com limites diários ou um modelo que custa muito pouco por requisição. Em todos os casos, o número exibido na página do modelo é o máximo, não uma promessa de qualidade.

Mãos digitando em um notebook em uma mesa de cafeteria, ao lado de um bloco com um gráfico de barras desenhado à mão

Janelas pequenas: de 4K a 8K

Os modelos abertos mais antigos são o exemplo clássico. Llama 2 7B Chat e os outros tamanhos do Llama 2, como Llama 2 13B Chat e Llama 2 70B Chat, trabalham com cerca de 4K tokens. Isso serve para uma pergunta rápida e é sofrido para uma história. Meta Llama 3 8B Instruct dobra esse valor para cerca de 8K, e o Mistral 7B v0.1 fica na mesma faixa.

Janelas pequenas ainda têm seu lugar. Elas respondem rápido, são baratas de rodar e obrigam você a manter os prompts enxutos, o que é um bom hábito de qualquer forma.

Janelas médias e longas

As novas famílias gratuitas e de baixo custo são bem mais generosas. O Granite 4.0 H Small foi criado especificamente para entradas longas, e o Granite 4.1 8B é uma opção gratuita para chat e código. Se seu trabalho é código, o Granite 8B Code Instruct 128K traz o tamanho da janela no nome, e seu irmão Granite 20B Code Instruct 8K mostra o que a geração anterior oferecia.

Outras famílias que valem a pena testar para chats longos incluem o DeepSeek V3, o Kimi K2.6 e o Qwen3.7 Plus. Confira a página do modelo para ver a janela exata de cada um, já que os fornecedores mudam esses números entre as versões.

Janelas gigantes e a pegadinha

O Llama 4 Scout Instruct é anunciado com uma janela de até 10 milhões de tokens, e o Llama 4 Maverick Instruct é anunciado com cerca de 1 milhão. O Gemini 3.5 Flash e o Gemini 3.1 Pro, do Google, também estão no grupo de janelas longas.

Vista de baixo para cima de uma escada de biblioteca de madeira encostada em uma parede enorme de livros, sob luz dourada

Aqui está a pegadinha. No fim de 2026, janelas de 1 milhão de tokens são comuns, e a mediana entre os modelos acompanhados é relatada em torno de 256K. Mas a janela anunciada e a janela efetiva são coisas diferentes. Testes independentes seguem mostrando que a precisão cai bem antes do máximo, especialmente quando o detalhe de que você precisa está escondido no meio de uma montanha enorme de texto. Uma janela gigante é uma grande biblioteca, não um leitor melhor.

💡 Regra prática: trate cerca de metade da janela anunciada como a zona segura de trabalho. Depois desse ponto, resuma ou recupere informações em vez de empurrar mais texto bruto.

Como os limites de memória quebram os chats

A maioria das pessoas só percebe os limites de contexto quando algo estranho acontece. Há dois padrões principais de falha, e eles têm aparências diferentes.

Uma bolsa de couro superlotada com folhas soltas de papel voando em uma plataforma de trem

Truncamento silencioso

Quando o chat fica longo demais, a maioria dos apps descarta primeiro as mensagens mais antigas. Sua cena de abertura, o cartão de personagem (em alguns apps) e as regras originais podem desaparecer sem aviso. O modelo então improvisa. É por isso que um personagem de repente muda de personalidade: o texto que o definia não está mais na mesa.

Sinais de truncamento:

  1. O personagem esquece um nome, uma promessa ou um lugar.
  2. O estilo da escrita se desvia para uma linguagem genérica.
  3. As regras do prompt de sistema deixam de ser seguidas.
  4. As respostas repetem frases anteriores, porque o modelo só vê a própria saída recente.

Perdido no meio

O segundo padrão acontece mesmo quando tudo tecnicamente cabe. Os modelos prestam mais atenção ao início e ao fim da janela. Fatos no meio recebem atenção mais fraca. Se você enfia 80.000 tokens em um chat e enterra a pista importante no token 40.000, o modelo pode não perceber.

A correção é simples: coloque a informação mais importante no começo absoluto (prompt de sistema, cartão de personagem) ou repita-a perto do fim, próximo da sua mensagem mais recente.

Configurações que realmente importam

Os apps de chat e as ferramentas de API expõem muitos controles deslizantes. Apenas alguns mudam o comportamento da memória de um jeito que você vai notar.

Mulher de jaqueta jeans ajustando botões deslizantes em uma mesa de mixagem de madeira em um escritório iluminado pelo sol

O controle de tamanho do contexto

Muitas configurações locais e self-hosted pedem que você escolha o tamanho do contexto, e o padrão costuma ser pequeno, como 2K ou 4K, mesmo quando o modelo suporta bem mais. Se seu personagem esquece coisas rápido, verifique isso primeiro. Aumentar o valor eleva o uso de memória, então existe um limite imposto pelo seu hardware. Em modelos hospedados, o fornecedor normalmente define isso por você.

Tokens máximos de saída

Este número é a maior resposta que o modelo pode escrever. Se você o definir baixo demais, as respostas terminam no meio de uma frase. Se o definir alto demais, desperdiça espaço da janela reservado para um texto que você nunca vai ver. Para roleplay, de 250 a 500 tokens atendem a maioria das cenas. Para textos longos, vá para 1.000 ou mais.

Temperatura e penalidade de repetição

Esses dois não mudam quanto o modelo lembra, mas mudam o quanto ele usa bem o que lembra.

ConfiguraçãoValor baixoValor altoBom ponto de partida para roleplay
TemperaturaPrevisível, seguroCriativo, arriscado0,7 a 0,9
Top PEscolhas de palavras restritasMais variedade0,9
Penalidade de repetiçãoPermite loopsEvita repetições, pode descarrilar1,05 a 1,15
Tokens máximos de saídaRespostas curtasRespostas longas300 a 500

💡 Fique de olho na penalidade. Uma penalidade de repetição forte demais afasta o modelo de palavras que ele já usou, inclusive o nome do próprio personagem. Se os nomes começarem a mudar, reduza o valor.

Dicas de roleplay para histórias longas

Roleplay é o teste mais difícil do tamanho de contexto, porque a história é longa e cheia de detalhes. Você consegue escrever por horas em uma janela modesta se administrar o que fica sobre a mesa.

Jovem sentado em um sofá lendo um chat em um tablet, em uma sala aconchegante iluminada por lâmpada

Escreva um cartão de personagem enxuto

Um cartão de personagem é cobrado em tokens a cada requisição. Um cartão de 2.000 tokens em uma janela de 8K deixa um quarto da sua memória ocupado permanentemente. Mire em 300 a 700 tokens: nome, idade, voz, três traços, um objetivo, um medo. Corte o passado que o modelo ainda não precisa.

Um cartão enxuto pode ficar assim: "Mara, 34 anos, navegadora de navio. Humor seco, fala em frases curtas, desconfia dos oficiais. Quer encontrar o irmão desaparecido. Nunca admite quando está com medo."

Faça a conta para sua janela

Aqui está um exemplo prático para uma janela de 8K:

  • Prompt de sistema: 300 tokens
  • Cartão de personagem: 700 tokens
  • Espaço reservado para a resposta: 400 tokens
  • Sobra para o histórico: cerca de 6.700 tokens

Se cada troca (sua mensagem mais a resposta) tiver em média 400 tokens, o modelo lembra aproximadamente 16 trocas. Depois disso, os turnos mais antigos saem. Saber esse número mostra exatamente quando resumir.

Resuma a cada 20 turnos

Este hábito faz mais do que qualquer configuração. A cada 15 a 20 trocas, escreva (ou peça ao modelo que escreva) um resumo curto do que aconteceu. Cole-o perto do topo do chat e depois apague as mensagens antigas que ele substitui.

Mãos de uma mulher escrevendo um resumo em um diário de couro, ao lado de uma pilha de cadernos e um café preto

Um bom resumo inclui:

  1. Quem está presente e como eles se sentem uns em relação aos outros.
  2. Onde a cena acontece.
  3. O que mudou (mortes, promessas, ferimentos, itens ganhos ou perdidos).
  4. Fios abertos que a história ainda precisa resolver.

Mantenha o resumo abaixo de 200 tokens. Uma história resumida dessa forma pode durar centenas de turnos em uma janela que, de outro modo, teria espaço só para 16.

Fixe fatos, descarte o supérfluo

Nem toda mensagem merece um lugar na mesa. Cumprimentos, descrições repetidas e conversas longas fora do personagem consomem tokens sem acrescentar história. Muitos apps permitem fixar ou travar certas mensagens, ou guardar fatos em um lorebook que só carrega quando uma palavra-gatilho aparece. Use essas ferramentas para nomes, regras e relações. Deixe a conversa casual ficar de fora.

💡 Repita, não confie na sorte. Se um detalhe importa na próxima cena (a chave roubada, o segredo, o ferimento), mencione-o de novo na sua mensagem. Uma frase custa menos do que um buraco no enredo.

Escolhendo um modelo pela necessidade

Maior nem sempre é melhor. Uma janela gigante custa mais, roda mais devagar e pode enterrar seus detalhes. Combine o modelo com a tarefa.

Três pessoas comparando páginas impressas e notebooks em uma mesa comprida em um espaço de coworking iluminado

Seu objetivoJanela necessáriaModelos para testar
Perguntas rápidas, chats curtos4K a 8KLlama 2 7B Chat, Meta Llama 3 8B Instruct
Chat do dia a dia e roleplay leve32K a 128KGranite 4.1 8B, DeepSeek V3
Histórias longas e lorebooks128K ou maisGranite 4.0 H Small, Kimi K2.6
Documentos enormes, muitos arquivos1M ou maisLlama 4 Scout Instruct, Gemini 3.5 Flash
Escrita refinada e raciocínioGrande, com boa memóriaClaude Sonnet 5, GPT 5.6 Luna

O tamanho da janela é só um fator. Qualidade de escrita, obediência às instruções e velocidade importam tanto quanto, então teste dois ou três modelos com o mesmo prompt de abertura antes de se comprometer com uma história longa.

Correções rápidas para problemas comuns

O personagem esquece o próprio nome

Verifique primeiro o cartão. Se o cartão é longo e fica no topo de um chat lotado, seu app pode estar cortando-o. Encurte o cartão, fixe-o ou repita o nome na sua última mensagem. Depois, aumente o tamanho do contexto se sua configuração permitir.

As respostas são cortadas

Quase sempre é a configuração de tokens máximos de saída. Aumente para 500 ou mais. Se ela já estiver alta, a janela pode estar cheia, sem espaço restante para escrever. Resuma os turnos antigos para liberar espaço.

O modelo se repete

Reduza um pouco a penalidade de repetição, aumente um pouco a temperatura e apague mensagens antigas que contenham a frase repetida. Os modelos adoram copiar padrões que veem no próprio histórico.

Tudo fica lento

Um contexto maior significa mais trabalho computacional em cada resposta. Se a velocidade cair, você provavelmente está enviando muito mais texto do que o necessário. Um resumo limpo mais as últimas dez mensagens costuma ser mais rápido e mais preciso do que a transcrição inteira.

Experimente no Picasso IA hoje

Você não precisa adivinhar qual modelo combina com sua história. Abra a coleção de modelos de linguagem (LLMs) no PicassoIA, escolha dois modelos da tabela acima e cole a mesma cena de abertura em cada um. Observe por quanto tempo cada um se mantém coerente, depois ajuste os tokens máximos de saída e a temperatura e repita o teste.

Jovem sorrindo para o celular em uma varanda ensolarada durante a hora dourada

Faça um experimento rápido: escreva um resumo de 400 tokens da sua história atual, comece um chat novo com ele e veja se os personagens se sustentam melhor do que na conversa original de 100 mensagens. Para muitas pessoas, a resposta é sim. Depois leve essa mesma faísca criativa adiante e crie a capa, os retratos dos personagens e as imagens de cena da sua história com os modelos de imagem do Picasso IA. Comece com um chat, um personagem e um resumo, e você vai perceber a diferença na próxima cena.

Compartilhe este artigo

Escolha seu idioma

FreeCrie imagens e vídeos com IAGrátis, sem cartão de créditoGerações grátis para começarSeedance 2.5 Lite incluídoComece grátis agora