---
title: "Qu’est-ce que le context rot ? Les LLM face aux longs inputs"
description: "Le context rot est la baisse de précision d’un LLM quand l’entrée s’allonge, bien avant que la fenêtre soit pleine. Ce que Chroma a mesuré sur 18 modèles."
url: https://broadrouter.com/fr/glossary/context-rot/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/context-rot/) (mis à jour le 2026-11-14).

# Context rot (dégradation du contexte)

Mis à jour 2026-11-14

Le context rot est la perte progressive de précision et de fiabilité que montrent les modèles de langage quand leur entrée s’allonge, même si la tâche reste la même et que l’entrée tient largement dans la fenêtre de contexte. Le terme a été popularisé par un rapport technique de Chroma de 2025 qui a testé 18 modèles.

Aussi appelé : context rot, dégradation du contexte, dégradation en contexte long, pourrissement du contexte, context degradation, long-context degradation, context decay, context window degradation

Un modèle qui accepte un million de tokens n’exploite pas le millionième aussi bien que les mille premiers. Cet écart, c’est le context rot.

## Comment ça marche

Le rapport de Chroma (Hong, Troynikov et Huber, juillet 2025) a testé 18 modèles, dont GPT-4.1, Claude 4, Gemini 2.5 et Qwen3, sur des tâches qui restaient aussi difficiles pendant que l’entrée s’allongeait. Son constat principal : « model performance consistently degrades with increasing input length » (traduction : « les performances des modèles se dégradent systématiquement à mesure que l’entrée s’allonge »).

Trois effets ressortent :

-   **Les correspondances faibles souffrent le plus.** Quand la question et le passage pertinent partagent peu de mots, la précision chute plus vite avec la longueur.
-   **Les distracteurs nuisent.** « Even a single distractor reduces performance relative to the baseline » (traduction : « Même un seul distracteur fait baisser les performances par rapport à la référence »), et quatre aggravent encore les choses. Un distracteur est un passage sur le même sujet qui ne répond pas à la question.
-   **La structure compte, étrangement.** Un texte de remplissage cohérent a fait plus de dégâts que les mêmes phrases mélangées. Les auteurs ont constaté que « structural coherence consistently hurts model performance » (traduction : « la cohérence structurelle nuit systématiquement aux performances du modèle »).

Ces résultats prolongent des travaux antérieurs comme [lost in the middle](https://broadrouter.com/fr/glossary/lost-in-the-middle/), qui montrait des effets de position. Le context rot élargit le constat : la longueur elle-même, pas seulement la position, coûte en précision.

## Pourquoi c’est important

-   **Agents.** Un [agent](https://broadrouter.com/fr/glossary/agent/) de code ou de recherche accumule lectures de fichiers, logs et anciens résultats d’outils. Chacun est un distracteur potentiel. La précision peut décliner bien avant que la [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/) soit pleine.
-   **Coût et latence.** Des prompts plus longs coûtent aussi plus de tokens d’entrée et prennent plus de temps à traiter : élaguer aide donc sur trois plans à la fois.
-   **Contexte long ou récupération.** Envoyer tout un corpus est simple, mais un [RAG](https://broadrouter.com/fr/glossary/rag/) qui n’envoie que les chunks pertinents tient les distracteurs à l’écart.

## Sur BroadNet Inference

Chez BroadNet, DeepSeek V4.1 Flash et GLM 5.3 acceptent jusqu’à 1 048 576 tokens, et Qwen3.8 27B jusqu’à 262 144. BroadNet ne tronque pas votre contexte : ce que vous envoyez est ce que le modèle lit. Considérez la limite comme un plafond, pas comme un objectif. Le [guide de la fenêtre de contexte de 1M tokens](https://broadrouter.com/fr/blog/million-token-context-window-guide/) explique quand une fenêtre pleine vaut le coup, et [la gestion du contexte pour les agents de longue durée](https://broadrouter.com/fr/blog/long-running-agent-context-management/) montre des schémas de résumé et d’élagage. Le [calculateur de fenêtre de contexte](https://broadrouter.com/tools/context-window-calculator/) aide à dimensionner un prompt avant de l’envoyer.

## Erreurs fréquentes

-   Coller tous les fichiers « au cas où ». Du texte connexe mais hors sujet, c’est exactement ce qu’utilisaient les tests de distracteurs de Chroma.
-   Tester avec une aiguille qui reprend la question mot pour mot. Les vraies questions le font rarement.

## Questions fréquentes

### Le context rot est-il la même chose que le lost in the middle ?

Les deux sont liés. Le lost in the middle concerne l’endroit du prompt où se trouve le fait clé. Le context rot concerne la façon dont la longueur totale de l’entrée, les distracteurs et la structure font baisser la précision dans l’ensemble.

### Une fenêtre de contexte plus grande règle-t-elle le context rot ?

Non. Une fenêtre plus grande vous permet d’envoyer davantage, mais Chroma a constaté que les performances baissent quand l’entrée grandit, sur chaque modèle testé. Envoyez ce dont la tâche a besoin, pas tout ce qui tient.

### Comment les agents évitent-ils le context rot ?

En gardant un contexte de travail court : résumer les anciens tours, retirer les sorties d’outils périmées et charger les fichiers à la demande plutôt que tous d’un coup.

## Voir aussi

-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [Lost in the middle (perdu au milieu)](https://broadrouter.com/fr/glossary/lost-in-the-middle/) (terme)
-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Agent IA (AI agent)](https://broadrouter.com/fr/glossary/agent/) (terme)
-   [Tokens d’entrée en cache (cached input tokens)](https://broadrouter.com/fr/glossary/cached-input-tokens/) (terme)
-   [Context engineering (ingénierie du contexte)](https://broadrouter.com/fr/glossary/context-engineering/) (terme)
-   [Compaction du contexte (context compaction)](https://broadrouter.com/fr/glossary/context-compaction/) (terme)
-   [Quand une fenêtre de contexte de 1M de tokens vaut le coup (ou pas)](https://broadrouter.com/fr/blog/million-token-context-window-guide/) (article)
-   [Gérer le contexte des agents longue durée avec une fenêtre de 1M](https://broadrouter.com/fr/blog/long-running-agent-context-management/) (article)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-context-rot&utm_content=page-cta) ·

**Sources**

-   [Hong, Troynikov et Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance (rapport technique de Chroma, 2025)](https://www.trychroma.com/research/context-rot)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Référence de l’API de BroadNet Inference, ID de modèles et contexte (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-context-rot&utm_content=sources#models)
