---
title: "Contexto de 1M de tokens: cuándo ayuda y cuánto cuesta"
description: "Qué cabe en 1,048,576 tokens, cuánto cuesta en DeepSeek V4.1 Flash, cómo cambian las cuentas el razonamiento y la caché, y cuándo RAG sigue siendo mejor opción."
url: https://broadrouter.com/es/blog/million-token-context-window-guide/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/million-token-context-window-guide/) (actualizado el 2026-11-14).

# Ventana de contexto de 1M de tokens: cuándo compensa y cuándo no

Por el equipo de BroadNet Inference · 4 min de lectura · Publicado 2026-11-14

Una ventana de contexto de 1M de tokens permite que una sola petición contenga una base de código entera, un conjunto de contratos u horas de transcripciones, de modo que el modelo lo ve todo a la vez en lugar de fragmentos recuperados. Compensa para razonar entre archivos y para análisis puntuales; para búsquedas repetidas en un corpus grande y cambiante, la recuperación es más barata. DeepSeek V4.1 Flash y GLM 5.3 aceptan 1,048,576 tokens.

## Puntos clave

-   DeepSeek V4.1 Flash y GLM 5.3 aceptan 1,048,576 tokens por petición, prompt y respuesta juntos.
-   El contexto largo supera a la recuperación cuando la respuesta depende de conexiones entre muchos archivos o documentos.
-   La recuperación (RAG) sigue ganando en muchas búsquedas pequeñas sobre un corpus grande y cambiante.
-   Los modelos usan las entradas largas de forma desigual. La investigación muestra que la precisión cae con los datos enterrados en el medio y a medida que crece la entrada.
-   La caché reduce el costo de reenviar el mismo prompt largo; en un plan ilimitado, los prompts largos no cuestan nada extra.
-   Deje espacio dentro de la ventana para los tokens de razonamiento.

**En esta página**

1.  ¿Qué cabe en un millón de tokens?
2.  ¿Qué modelos de BroadNet tienen una ventana de contexto de 1M de tokens?
3.  ¿Cuándo merece la pena una ventana de 1M de tokens?
4.  ¿Cuándo sigue siendo mejor la recuperación?
5.  ¿El modelo usa de verdad toda la ventana?
6.  ¿Cuánto cuesta un prompt de un millón de tokens?
7.  ¿Cuánto espacio dejar para la respuesta?
8.  Cómo preparar una base de código para un prompt de 1M de tokens
9.  Dónde encaja BroadNet Inference

_[image: Light shining through towering cliffs made of stacked paper pages.]_

Las [ventanas de contexto](https://broadrouter.com/es/glossary/context-window/) han pasado de unos pocos miles de tokens a más de un millón. [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) y [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) en BroadNet Inference aceptan **1,048,576 tokens por petición**, prompt y respuesta juntos. Eso cambia cómo puede construir, pero no hace que todos los prompts sean mejores.

## ¿Qué cabe en un millón de tokens?

Como referencia aproximada: 1,000 palabras de prosa en inglés dieron unos 1,290 [tokens](https://broadrouter.com/es/glossary/token/), de media entre cinco tokenizadores, en nuestro [conjunto de datos de eficiencia de tokenizadores](https://broadrouter.com/data/tokenizer-efficiency/), así que un millón de tokens equivale aproximadamente a 810,000 palabras de prosa sencilla:

| Contenido | Aproximadamente |
| --- | --- |
| Una base de código mediana (decenas de miles de líneas) | Cabe, con espacio de sobra |
| Varios contratos largos con sus anexos | Cabe |
| Un día de transcripciones de reuniones | Cabe |
| Un monorepo grande con sus dependencias | A menudo no; seleccione directorios |

El número de tokens depende del idioma y del contenido. El código y el texto en árabe suelen usar más tokens por carácter que la prosa en inglés. Mida con el bloque `usage` de una petición real en lugar de estimar, o compruebe una muestra en la [calculadora de ventana de contexto](https://broadrouter.com/tools/context-window-calculator/).

## ¿Qué modelos de BroadNet tienen una ventana de contexto de 1M de tokens?

| Modelo | Ventana de contexto | Entrada | Salida | Imágenes |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | 1,048,576 | $0.175 | $0.52 | Sí |
| [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) | 1,048,576 | $0.78 | $3.46 | No |
| [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) | 262,144 | $0.175 | $2.17 | Sí |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) | 32,768 | $0.10 | $0.22 | Sí |

Los precios son por 1M de tokens. GLM 5.3 añade tool calling y salida estructurada sobre la misma ventana de 1M.

## ¿Cuándo merece la pena una ventana de 1M de tokens?

-   **Razonar entre archivos.** «¿Por qué falla esta prueba?» suele depender de cinco archivos que a nadie se le ocurriría recuperar juntos.
-   **Revisar documentos completos.** Encontrar conflictos entre la cláusula 4 y el anexo B exige tener ambos a la vista.
-   **Análisis puntuales.** Para una pregunta que hará una sola vez, montar un índice de recuperación cuesta más esfuerzo del que ahorra.
-   **Agentes.** Un subagente que puede leer el módulo entero hace menos suposiciones erróneas. Vea [ejecutar agentes en paralelo](https://broadrouter.com/es/blog/run-parallel-coding-agents-flat-rate/).

## ¿Cuándo sigue siendo mejor la recuperación?

La recuperación gana en muchas búsquedas pequeñas sobre una biblioteca mucho mayor que cualquier ventana, en contenido que cambia cada minuto y en respuestas interactivas rápidas, donde leer antes un prompt enorme añade retraso. Muchos sistemas en producción hacen ambas cosas: recuperan los 200,000 tokens más relevantes y dejan que un modelo de contexto largo razone sobre todos ellos. La decisión completa, con costo por consulta, latencia y recall lado a lado, está en [contexto largo frente a RAG](https://broadrouter.com/es/blog/long-context-vs-rag/).

## ¿El modelo usa de verdad toda la ventana?

No de forma uniforme. La investigación coincide en esto:

-   El artículo [Lost in the Middle](https://arxiv.org/abs/2307.03172) (Liu et al.) observó que el rendimiento “is often highest when relevant information occurs at the beginning or end of the input context” (Traducción: «suele ser máximo cuando la información relevante aparece al principio o al final del contexto de entrada»).
-   El informe [Context Rot](https://www.trychroma.com/research/context-rot) de Chroma probó 18 modelos y observó que “performance grows increasingly unreliable as input length grows” (Traducción: «el rendimiento se vuelve cada vez menos fiable a medida que crece la longitud de la entrada»), incluso en tareas sencillas.

Estos estudios no probaron los modelos en BroadNet, así que tómelos como una advertencia, no como una medición. La regla práctica: que una ventana acepte un millón de tokens no significa que todos los tokens reciban la misma atención. Ponga el material más importante cerca del principio o del final, y pruebe el recall con sus propios documentos.

## ¿Cuánto cuesta un prompt de un millón de tokens?

Con una clave de [pago por uso](https://broadrouter.com/es/glossary/pay-as-you-go/), DeepSeek V4.1 Flash factura $0.175 por 1M de tokens de entrada y $0.0055 por 1M de [tokens de entrada en caché](https://broadrouter.com/es/glossary/cached-input-tokens/). Un prompt completo de un millón de tokens cuesta unos $0.175 la primera vez, y mucho menos en las llamadas repetidas cuando el prefijo está en caché. [Cómo subir su tasa de caché](https://broadrouter.com/es/blog/cached-input-tokens-explained/).

La [calculadora de caché de prompts](https://broadrouter.com/tools/prompt-caching-calculator/) muestra cuánto ahorra un acierto de caché con sus propios tamaños de prompt. Un ejemplo práctico: diez preguntas sobre el mismo conjunto de contratos de 800,000 tokens. Sin caché, son 8M de tokens a $0.175 por 1M. Si los documentos van primero y no cambian, la primera llamada lee 800,000 tokens nuevos y las nueve siguientes pueden leer la mayoría desde la caché a $0.0055 por 1M. Solo cambian la pregunta y la respuesta.

En un plan ilimitado, el tamaño del prompt no cambia la factura: Luna Llena (Full Moon) cuesta $60 al mes por sesión, sin contador de tokens. Por eso los agentes de contexto largo son un motivo habitual para elegir un [plan de tarifa plana en lugar de pagar por token](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/).

## ¿Cuánto espacio dejar para la respuesta?

La ventana cubre el prompt **y** la salida, y en los modelos de razonamiento la salida incluye el pensamiento. Si envía 1,040,000 tokens de prompt, solo quedan unos 8,000 para el [razonamiento](https://broadrouter.com/es/glossary/reasoning-tokens/) y la respuesta. Mantenga un margen, fije [`max_tokens`](https://broadrouter.com/es/glossary/max-tokens/) de forma explícita y lea [por qué los modelos de razonamiento pueden devolver una respuesta vacía](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/).

## Cómo preparar una base de código para un prompt de 1M de tokens

1.  **Excluya lo que el modelo no necesita.** Los lockfiles, la salida de compilación, las dependencias incluidas en el repositorio, las imágenes y el código generado consumen tokens y añaden ruido.
2.  **Cuente antes de enviar.** Envíe una muestra pequeña, lea `prompt_tokens` en usage y escale.
3.  **Ordene por estabilidad.** Primero los archivos que casi no cambian, al final los que está editando y la pregunta al final de todo. Así el prefijo sigue siendo cacheable.
4.  **Etiquete cada archivo.** Envuelva los archivos con marcadores claros como `=== path/to/file.py ===` para que el modelo pueda citarlos.
5.  **Pida citas.** «Cite la línea en la que se basa» reduce los errores dichos con aplomo sobre entradas enormes.
6.  **Mida.** Registre los tokens del prompt, los tokens en caché y el tiempo hasta el primer token de cada petición. El [streaming](https://broadrouter.com/es/guides/streaming-chat-completions/) muestra el primer token en cuanto llega.

## Dónde encaja BroadNet Inference

Dos de sus modelos de chat aceptan 1,048,576 tokens por petición, y BroadNet no recorta su contexto. Con una clave por token, la caché mantiene asequibles los prompts largos repetidos; en una sesión de plan, el tamaño del prompt no afecta a la factura. Si su corpus es mucho mayor que un millón de tokens o cambia cada minuto, seguirá necesitando recuperación, y ningún tamaño de ventana cambia eso.

Herramientas gratuitas sobre este tema (en inglés)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/)

Los tokens de entrada en caché son tokens del prompt que un proveedor de LLM procesó recientemente y puede reutilizar desde un caché en lugar de calcularlos de nuevo; normalmente son un prefijo repetido, como un prompt de sistema o un documento. Los proveedores los cobran a una tarifa menor que los tokens de entrada nuevos.

[Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/)

Los tokens de entrada son los que un modelo de lenguaje lee en una solicitud, incluidos el prompt de sistema, el historial de la conversación, las definiciones de herramientas y las imágenes. Los tokens de salida son los que genera en la respuesta, incluido el razonamiento. Las APIs de LLM suelen cobrarlos por separado, y la salida suele costar más.

[Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/)

La ventana de contexto es la cantidad máxima de tokens con la que un modelo de lenguaje puede trabajar en una sola solicitud. Incluye el prompt, el historial de la conversación, las definiciones de herramientas, las imágenes y la salida generada, incluidos los tokens de razonamiento. Lo que no cabe debe recortarse, resumirse o dividirse en varias solicitudes.

[Context rot (deterioro del contexto)](https://broadrouter.com/es/glossary/context-rot/)

El context rot (deterioro del contexto) es la pérdida gradual de precisión y fiabilidad que muestran los modelos de lenguaje cuando su entrada se alarga, aunque la tarea sea la misma y la entrada quepa holgadamente en la ventana de contexto. El término se popularizó con un informe técnico de Chroma de 2025 que evaluó 18 modelos.

[Lost in the middle (perdido en el medio)](https://broadrouter.com/es/glossary/lost-in-the-middle/)

Lost in the middle es la tendencia observada de los modelos de lenguaje a aprovechar mejor la información relevante cuando aparece cerca del principio o del final de una entrada larga, y peor cuando está en el medio. Recibió ese nombre en un estudio de Liu et al. de 2023.

## Preguntas frecuentes

### ¿BroadNet recorta los prompts largos?

No. BroadNet no recorta su contexto. Si el prompt más max\_tokens supera la ventana del modelo, acorte el prompt en lugar de confiar en un truncado silencioso.

### ¿Cuántas palabras son 1 millón de tokens?

Depende del idioma y del contenido. La prosa en inglés midió unos 129 tokens por cada 100 palabras en el conjunto de datos de tokenizadores de BroadRouter (1,000 palabras dieron unos 1,290 tokens, de media entre cinco tokenizadores), así que 1,048,576 tokens contienen aproximadamente 810,000 palabras, mucho más de mil páginas. El texto técnico, el código y el árabe necesitan más tokens, así que cuente su contenido real.

### ¿Una petición de 1M de tokens es lenta?

Tarda más en empezar que una petición corta, porque el modelo debe leer primero todo el prompt. Los prefijos en caché suelen ayudar en las llamadas repetidas. Mida el tiempo hasta el primer token con sus propios prompts.

### ¿Los LLM usan realmente toda la ventana de contexto?

No de forma uniforme. El artículo Lost in the Middle observó que la precisión suele ser máxima cuando la información relevante está al principio o al final de la entrada, y el informe Context Rot de Chroma vio que la fiabilidad cae a medida que crece la longitud de la entrada. Ponga el material clave en los extremos y pruebe con sus propios datos.

### ¿Debo dejar de usar RAG?

No necesariamente. Use contexto largo cuando el modelo necesite verlo todo junto, y recuperación cuando necesite unos pocos datos de una biblioteca enorme. Muchos sistemas combinan ambos.

### ¿Qué pasa si mi prompt es más grande que la ventana de contexto?

BroadNet no lo recorta por usted, así que la petición no se ejecutará como espera. Quite archivos, resuma los turnos antiguos o recupere solo las partes relevantes antes de enviar.

## Siga leyendo

-   [Tokens de entrada en caché: cómo reducir la factura de una API de LLM](https://broadrouter.com/es/blog/cached-input-tokens-explained/)
-   [Cómo ejecutar agentes de programación en paralelo con tarifa plana](https://broadrouter.com/es/blog/run-parallel-coding-agents-flat-rate/)
-   [API de LLM con tarifa plana o pago por token: el punto de equilibrio](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [El hardware GPU de BroadNet y cómo sirve los modelos, según BroadNet](https://broadrouter.com/es/blog/broadnet-gpu-fleet-and-serving/)
-   [Caché de respuestas de APIs de LLM para reducir costos en Python](https://broadrouter.com/es/blog/cache-llm-responses-cut-cost/)
-   [Guía: ¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/)
-   [Guía: Streaming de chat completions y conexiones interrumpidas](https://broadrouter.com/es/guides/streaming-chat-completions/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-million-token-context-window-guide&utm_content=page-cta) ·

**Fuentes**

-   [Precios y longitudes de contexto de BroadNet Inference en formato legible por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-million-token-context-window-guide&utm_content=sources)
-   [Referencia de la API de BroadNet Inference (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-million-token-context-window-guide&utm_content=sources)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172)](https://arxiv.org/abs/2307.03172)
-   [Chroma, Context Rot: How Increasing Input Tokens Impacts LLM Performance (julio de 2025)](https://www.trychroma.com/research/context-rot)
