Comprueba si tu prompt cabe en la ventana de contexto de un modelo. Presupuesto de tokens, capacidad por modelo y recargos por prompt largo.
Solo el prompt del usuario es obligatorio. Deja los demás en cero si únicamente quieres medir una entrada.
También podrías encontrar útiles estas calculadoras
Convierte palabras, páginas o código a tokens; exacto en OpenAI
Calcula el costo de una llamada de API y compárala entre modelos
Factura mensual de API LLM con caché y descuentos por lotes
Elige tu GPU y descubre qué LLM caben de verdad
Una ventana de contexto es el número total de tokens que un modelo puede manejar a la vez: tu prompt del sistema, todo lo que le envías y la respuesta que escribe. Si te pasas, la petición falla o se descarta el contenido más antiguo. Esta calculadora suma las tres partes y las compara con la ventana publicada de un modelo real, te dice cuánto espacio queda y traduce ese espacio a cosas que puedes imaginar: páginas de texto, turnos de conversación, líneas de código. También muestra qué otros modelos admitirían el mismo prompt y avisa cuando un prompt ha crecido lo suficiente para facturarse a una tarifa más alta.
La ventana de contexto es la memoria de trabajo de un modelo, medida en tokens y no en palabras o caracteres. Un token es un fragmento de texto: aproximadamente cuatro caracteres de inglés en la mayoría de los tokenizadores, aunque varía más de lo que se suele suponer. Todo en una petición compite por la misma ventana: el prompt del sistema, los documentos recuperados, el historial de la conversación y el espacio reservado para la respuesta. El espacio disponible es simplemente la ventana menos todo lo que has comprometido. El matiz es que el token no es una unidad universal: la misma página de texto puede costar bastante más en un modelo que en otro, así que una ventana que parece mayor sobre el papel no siempre admite más de tu contenido real.
Tokens disponibles
Tienes un PDF o una transcripción larga y necesitas saber si puede entrar entera o hay que dividirla y resumirla antes.
Una pregunta corta, muchos pasajes recuperados y una respuesta breve. Los pasajes recuperados son la variable, y son los que desbordan.
Las definiciones de herramientas y las instrucciones largas se pagan en cada turno. Verlas como porción de la ventana muestra lo que cuestan de verdad.
Convertir los tokens restantes en número de turnos indica aproximadamente cuándo habrá que recortar o resumir el historial.
La tabla comparativa responde si de verdad hace falta una ventana mayor o si un modelo más barato ya tiene espacio suficiente.
Superar la ventana devuelve un error o descarta en silencio el contenido más antiguo, así que un paso de recuperación que casi siempre cabe y de vez en cuando no es un fallo difícil de rastrear. Medir el peor caso desde el principio sale más barato que depurarlo en producción.
El espacio que reservas para la respuesta es espacio que el prompt no puede usar. Es habitual llenar la ventana de contexto y descubrir después que las respuestas largas se cortan porque no se guardó nada para ellas.
Cada proveedor publica su propia proporción de caracteres por token, y difieren. El mismo documento puede resultar bastante más caro de enviar a un modelo que a otro, al margen del precio por token.
Varios proveedores cobran ya una tarifa más alta cuando un prompt supera un umbral que está muy por dentro de la ventana anunciada. Saber dónde está ese límite cambia cómo divides la entrada.
Comparar ventanas en paralelo convierte una ficha técnica abstracta en una respuesta concreta sobre si un trabajo necesita un modelo de frontera o basta con uno más barato que va sobrado.
Suma tres cifras y compáralas con la ventana publicada del modelo: tu prompt del sistema, la entrada que envías y la salida que quieres recibir. Esta calculadora lo hace con modelos actuales y muestra el espacio restante. Lo que se suele olvidar es la tercera cifra: no reservar nada para la respuesta es la razón de que un prompt que parece caber acabe dando una respuesta cortada.
A unas 500 palabras por página, 300 páginas son alrededor de 150.000 palabras. Con un tokenizador que promedia 0,75 palabras por token eso son unos 200.000 tokens; con uno que promedia 0,555 se acerca a 270.000. Esa diferencia es justo la cuestión: el mismo libro cabe con holgura en una ventana de un millón de tokens en cualquier modelo, pero queda al límite en una de 200.000 según el modelo que elijas.
No, y la diferencia es mayor de lo que se suele suponer. Cada proveedor publica sus cifras: OpenAI y Google describen un token como unos cuatro caracteres de inglés, mientras que Anthropic documenta unos 2,5 caracteres por token para los modelos desde Claude Opus 4.7 y afirma con claridad que el mismo texto produce alrededor de un 30 por ciento más de tokens que en sus modelos anteriores. Esta calculadora usa la proporción publicada de cada modelo en lugar de una media global, y por eso las páginas y los turnos cambian al cambiar de modelo.
Porque una página se mide en palabras, y las palabras se convierten en tokens a un ritmo que fija el tokenizador del modelo. Un modelo con la misma ventana pero un tokenizador más denso admite menos páginas. Dar una única cifra de páginas para todos los modelos, que es lo que hace una constante fija de tokens por página, sobrestima la capacidad de algunos modelos en más de la mitad.
La ventana de contexto es el presupuesto total de una petición. La salida máxima es un tope aparte sobre cuánto generará el modelo en una sola respuesta, y suele ser mucho menor. Puedes tener ventana de sobra y aun así recibir una respuesta corta porque pediste más de lo que permite el límite de salida, así que esta calculadora señala ese caso por separado.
Sí. La respuesta ocupa la misma ventana que la entrada, y por eso importa reservarle espacio. Si llenas la ventana de contexto hasta el borde, no queda sitio para que el modelo escriba.
Depende de la interfaz. Una llamada directa a la API suele devolver un error. Los productos de chat y los frameworks de agentes descartan o resumen el contenido más antiguo en silencio, lo que cuesta más detectar: la petición funciona, pero el modelo ya no trabaja con todo lo que enviaste.
No automáticamente. Varios proveedores cobran ya una tarifa más alta cuando la entrada supera un umbral situado muy por dentro de la ventana anunciada, así que el último tramo de una ventana grande puede costar bastante más por token que el primero. Los prompts largos también pueden empeorar la calidad de la respuesta, porque el detalle relevante compite con todo lo demás que incluiste. Que quepa es necesario, no suficiente.
Pégalo en un contador de tokens, que estima la cifra para un tokenizador concreto en lugar de asumir una única proporción. Usa la estimación como entrada aquí y redondea hacia arriba: pasarse al reservar cuesta un prompt algo más corto, mientras que quedarse corto cuesta una petición fallida o cortada.
Cada tamaño de ventana, límite de salida y tramo de precio está transcrito de la documentación del propio proveedor, y la fecha de la última verificación aparece bajo los resultados. Los catálogos de modelos cambiaron varias veces durante 2026, así que una calculadora que menciona modelos concretos solo vale lo que valga su última comprobación con la fuente.