Skip to content
user@convertitive:~$convertitive

LLM Bağlam Penceresi Görselleştiricisi

Her modelin bağlam bütçesinin isteğiniz tarafından ne kadar tüketildiğini tam olarak görün.

Buğra SözeriYapay Zeka
Updated · Published
Reviewed by Convertitive

Her barındırılan LLM'nin giriş token’ı üzerinde sert bir sınırı vardır — bu sınırı aşarsanız API isteği reddeder ya da isteğinizin başını sessizce kırpar. Aşağıdaki araç, yapıştırdığınız metnin token sayısını hesaplar ve ardından her model için giriş miktarının bağlam penceresinin ne kadarını tükettiğini gösteren yatay bir çubuk çizer. Çubuklar %50 kullanımın üzerinde sarıya, %80 üzerinde kırmızıya döner; bu noktada istem mühendisliği seçimleri model kalitesini doğrudan etkilemeye başlar.

Characters
364
Words
60
Tokens (est.)
91
Style
Prose

Context window utilization

  • GPT-4oOpenAI
    91 / 128,000 tokens (0.07%)
    Max output: 16,384 tokens
  • GPT-4o miniOpenAI
    91 / 128,000 tokens (0.07%)
    Max output: 16,384 tokens
  • GPT-4 TurboOpenAI
    91 / 128,000 tokens (0.07%)
    Max output: 4,096 tokens
  • o1-miniOpenAI
    91 / 128,000 tokens (0.07%)
    Max output: 65,536 tokens
  • Llama 3.3 70BMeta
    91 / 128,000 tokens (0.07%)
    Max output: 4,096 tokens

    Limits vary by host (Together, Groq, Fireworks).

  • Llama 3.1 405BMeta
    91 / 128,000 tokens (0.07%)
    Max output: 4,096 tokens
  • DeepSeek V3DeepSeek
    91 / 128,000 tokens (0.07%)
    Max output: 8,192 tokens
  • Mistral Large 2Mistral
    91 / 128,000 tokens (0.07%)
    Max output: 8,192 tokens
  • o1OpenAI
    91 / 200,000 tokens (0.05%)
    Max output: 100,000 tokens

    Includes reasoning tokens in output budget.

  • Claude Opus 4Anthropic
    91 / 200,000 tokens (0.05%)
    Max output: 32,000 tokens
  • Claude 3.5 SonnetAnthropic
    91 / 200,000 tokens (0.05%)
    Max output: 8,192 tokens
  • Claude 3.5 HaikuAnthropic
    91 / 200,000 tokens (0.05%)
    Max output: 8,192 tokens
  • Claude Sonnet 4Anthropic
    91 / 1,000,000 tokens (0.01%)
    Max output: 64,000 tokens

    1M context tier — beta header required on some endpoints.

  • Gemini 2.0 FlashGoogle
    91 / 1,000,000 tokens (0.01%)
    Max output: 8,192 tokens
  • Gemini 1.5 FlashGoogle
    91 / 1,000,000 tokens (0.01%)
    Max output: 8,192 tokens
  • Gemini 1.5 ProGoogle
    91 / 2,000,000 tokens (0.00%)
    Max output: 8,192 tokens

What does this fit in?

Based on your 91-token input. Models with headroom below 100% accept the prompt; output budget still depends on each model’s output cap.

Accepts (16)

  • GPT-4o+127,909
  • GPT-4o mini+127,909
  • GPT-4 Turbo+127,909
  • o1-mini+127,909
  • Llama 3.3 70B+127,909
  • Llama 3.1 405B+127,909
  • DeepSeek V3+127,909
  • Mistral Large 2+127,909
  • o1+199,909
  • Claude Opus 4+199,909
  • Claude 3.5 Sonnet+199,909
  • Claude 3.5 Haiku+199,909
  • Claude Sonnet 4+999,909
  • Gemini 2.0 Flash+999,909
  • Gemini 1.5 Flash+999,909
  • Gemini 1.5 Pro+1,999,909

Overflows (0)

—

Token counts are heuristic (~4 chars/token for prose, ~3.5 for code). System prompts, tool definitions, and prior turns all consume the same context budget — paste the full assembled prompt for the most accurate utilization.

How to use

  1. Tam istemi yapıştırın

    Sistem istemini, önceki tüm konuşma turlarını, araç tanımlarını ve alınan bağlamı dahil edin — tümü pencereye karşı sayılır, yalnızca en son kullanıcı mesajı değil.

  2. Çubukları okuyun

    Her model, giriş token’larını bağlam penceresinin bir payı olarak gösteren bir çubuk alır. %50 altında yeşil rahattır; %50–80 arası sarı kırpma zamanının geldiğini gösterir; %80 üzerinde kırmızı modelin yanıtı için neredeyse yer kalmadığı anlamına gelir.

  3. Karşılaştırmak için sıralayın

    En sıkı sığdırmayı (önce en küçük pencereler) veya en fazla baş boşluğunu (önce en büyükler) ortaya çıkarmak için sıralama düzenini değiştirin. 'Bu neye sığar?' paneli hangi modellerin istemi kabul ettiğini, hangilerinin taştığını özetler.

  4. Çıktı sınırını ayrıca kontrol edin

    Bağlam penceresi giriş bütçesidir; çıktı sınırı (her çubuğun altında gösterilir) yanıt uzunluğu üzerindeki ayrı bir kısıtlamadır. 1 M token pencereli bir model yine de her yanıtta yalnızca ~8 K token üretebilir.

Frequently asked questions

Bağlam ile çıktı arasındaki fark nedir?
Bağlam giriş bütçesidir — modelin üretmeden önce okuduğu her şey: sistem istemi, önceki konuşma turları, araç/fonksiyon tanımları, alınan belgeler ve en son kullanıcı mesajı. Çıktı ise modelin geri yazdıklarıdır. Aynı temel dikkat bütçesini tüketmelerine rağmen ayrı ayrı faturalandırılır ve sınırlandırılır. 8 K çıktı sınırına sahip 200 K token bağlam penceresi, yaklaşık 200 K token beslemenize ancak çağrı başına yalnızca ~8 K token almanıza olanak tanır.
Sistem istemleri pencereye karşı sayılır mı?
Evet. Modelin gördüğü her token giriş bütçesini tüketir — sistem istemi, geliştirici talimatları, az sayıda örnek, araç şemaları, önceki asistan turları, alınan RAG parçaları. Sayılmayan tek tokenlar modelin çıktı olarak ürettikleridir (bunlar ayrı çıktı sınırına karşı sayılır). Çok turlu konuşmalardaki uzun sistem istemleri, gizemli bağlam taşma hatalarının 1 numaralı nedenidir.
RAG nedir ve bağlam boyutuyla nasıl etkileşime girer?
Retrieval-Augmented Generation (RAG), sorgu zamanında bir vektör deposundan ilgili pasajları alıp modelin yanıtını güncel veya alana özgü gerçeklere dayandırabilmesi için isteme yapıştırmak anlamına gelir. Alınan her parça bağlam bütçesini tüketir. Tipik bir RAG kurulumu 500–1000 token’lık 5–20 parça alır; dolayısıyla kullanıcı mesajı eklenmeden önce 5 K–20 K token bağlam kaybolur. Buna göre plan yapın.

İlgili Türkçe araçlar