Context Window
Qu'est-ce qu'une context window ?
Une context window est la quantité maximale de texte — mesurée en tokens — qu'un modèle de langage peut prendre en compte à un moment donné. Elle contient tout ce que le modèle « pense » à un tour donné : le prompt système, la conversation en cours, les fichiers ou résultats de recherche intégrés, les définitions d'outils et les sorties de commandes. Si l'entrée combinée dépasse la fenêtre, quelque chose doit être supprimé ou résumé.
Les modèles de codage modernes ont des fenêtres très grandes, ce qui peut inciter à les remplir. En octobre 2026, tous les modèles Claude actuels (Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5) offrent une fenêtre de 1M de tokens avec jusqu'à 128K tokens de sortie, et GPT-6 Astra d'OpenAI affiche 1 050 000 tokens (d'après la documentation des modèles d'Anthropic et d'OpenAI). Mais la fenêtre est un budget, pas un objectif : tout ce qu'on y met est facturé, et refacturé à chaque tour où l'agent le relit.
Pourquoi la context window est importante en 2026
Elle est importante parce que remplir la fenêtre a un coût caché sur la qualité, en plus du prix évident. Les modèles portent moins d'attention aux informations enfouies au milieu d'un long contexte, donc une fenêtre bourrée de fichiers peu pertinents peut en réalité dégrader les réponses — le signal dont le modèle a besoin se perd dans le bruit. Gérer ce qui entre dans la fenêtre est la discipline du context engineering ; la garder petite est le moyen le plus rapide de réduire les coûts sans sacrifier la qualité.
La tarification a bougé elle aussi en 2026, et pas dans le bon sens. Anthropic facture désormais Claude 4.6 et les modèles suivants (sauf Haiku 5.5) au même tarif par token sur toute la fenêtre de 1M — une requête de 900k tokens coûte autant par token qu'une de 9k — tandis que GPT-6 Astra d'OpenAI applique un tarif plus élevé en long contexte. Le tarif uniforme supprime la tranche pénalisante, mais aussi le garde-fou qui empêchait les agents de dériver vers des contextes énormes. Et comme les modèles Claude 4.7+ utilisent un tokenizer qui produit environ 30 % de tokens en plus pour le même texte, les mêmes fichiers remplissent la fenêtre plus vite qu'il y a un an.
Quand une context window plus grande n'aide pas
- Quand le contenu supplémentaire est peu pertinent — ajouter des fichiers inutiles réduit la qualité des réponses et augmente le coût.
- Quand la récupération ciblée suffit — récupérer les quelques fonctions pertinentes via semantic code search est bien plus efficace que de tout déverser dans une grande fenêtre.