Cuánto recuerda realmente un modelo de IA

Un millón de tokens de contexto suena como la promesa de que el modelo leerá un libro entero y lo recordará todo. La realidad es otra: la ventana grande indica cuántocabe, no cuánto el modelo encontrará. Lo compruebo con mi propia prueba, en español: escondo un código único en un documento largo y pido que lo encuentre. El resultado es binario: o da el código, o no.

última ejecución: 2026-11-09 05:49:41 · dos ocultaciones por longitud (25% y 75% del documento) · coincidencia exacta

Model	8 mil tokens	32 mil tokens	128 mil tokens
Claude Opus 5	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido
GPT-5.6 Terra	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido
Kimi K3	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido
DeepSeek V4 Pro	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido	sin respuestalímite de tiempo excedido

Cómo es la prueba

Construyo un documento con párrafos numerados de contenido neutral (actas de archivo), y en un lugar elegido inserto una frase con un código imposible de adivinar o aprender, porque se genera a partir del checksum del día y los parámetros de la prueba:

Párrafo especial. El código de acceso al archivo de respaldo es NB-A3F91C y es válido únicamente en este documento.

Luego pido al modelo que proporcione solo el código. Lo escondo dos veces: una en un cuarto del documento, otra en tres cuartos, porque los modelos suelen recordar mejor el principio y el final, y pierden el medio. "Encontró" significa dos aciertos de dos, "parcialmente" uno, "perdió" cero. También mido el tiempo de respuesta, porque con contexto largo puede crecer de segundos a minutos, lo cual importa si construyes un producto sobre esto.

Qué no mide este test

Encontrar un dato es la tarea más sencilla en un contexto largo. Más difícil es conectar varias informaciones dispersas por el documento y razonar sobre el conjunto: un modelo que encuentra código puede perder el hilo ante una pregunta que requiera relacionar tres párrafos de distintos lugares. Trata este resultado como un mínimo, no un máximo: si el modelo no supera esta prueba, desde luego no superará una más difícil. En tus propias implementaciones comprueba siempre con tus documentos, porque la estructura del texto importa.

Repito el test cada semana y archivo los resultados, así veremos si los modelos tras actualizaciones silenciosas empiezan a perder más que antes. Los precios de los modelos de esta tabla los encontrarás encalculadora de costes, y sus perfiles completos en los hubs:Opus 5, GPT-5.6, Kimi K3. Al citar resultados, indica "elfulgor.es, test de ventana de contexto" y la fecha de ejecución.