---
title: "Finestra di contesto da 1M di token: quando serve e costi"
description: "Cosa sta in 1.048.576 token, quanto costa su DeepSeek V4.1 Flash, come ragionamento e cache cambiano i conti e quando la RAG resta la scelta migliore."
url: https://broadrouter.com/it/blog/million-token-context-window-guide/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/million-token-context-window-guide/) (aggiornato il 2026-11-14).

# Quando conviene una finestra di contesto da 1M di token (e quando no)

A cura del team di BroadNet Inference · 4 min di lettura · Pubblicato 2026-11-14

Una finestra di contesto da 1M di token permette a una sola richiesta di contenere un’intera codebase, un insieme di contratti o ore di trascrizioni, così il modello vede tutto insieme invece di frammenti recuperati. Conviene per il ragionamento tra più file e le analisi una tantum; per ricerche ripetute su un corpus grande e in evoluzione, il retrieval costa meno. DeepSeek V4.1 Flash e GLM 5.3 accettano 1.048.576 token.

## Punti chiave

-   DeepSeek V4.1 Flash e GLM 5.3 accettano 1.048.576 token per richiesta, prompt e risposta insieme.
-   Il contesto lungo batte il retrieval quando la risposta dipende da collegamenti tra molti file o documenti.
-   Il retrieval (RAG) vince ancora per tante piccole ricerche su un corpus grande e in evoluzione.
-   I modelli usano gli input lunghi in modo disomogeneo. La ricerca mostra che l’accuratezza cala per i fatti sepolti nel mezzo e al crescere dell’input.
-   La cache riduce il costo di reinviare lo stesso prompt lungo; con un piano illimitato i prompt lunghi non costano nulla in più.
-   Lascia spazio nella finestra ai token di ragionamento.

**In questa pagina**

1.  Cosa sta in un milione di token?
2.  Quali modelli BroadNet hanno una finestra di contesto da 1M di token?
3.  Quando conviene una finestra da 1M di token?
4.  Quando il retrieval resta la scelta migliore?
5.  Il modello usa davvero tutta la finestra?
6.  Quanto costa un prompt da un milione di token?
7.  Quanto spazio lasciare per la risposta?
8.  Come preparare una codebase per un prompt da 1M di token
9.  Dove si inserisce BroadNet Inference

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

Le [finestre di contesto](https://broadrouter.com/it/glossary/context-window/) sono passate da qualche migliaio di token a oltre un milione. [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) e [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) su BroadNet Inference accettano **1.048.576 token per richiesta**, prompt e risposta insieme. Questo cambia il modo in cui puoi costruire, ma non rende migliore ogni prompt.

## Cosa sta in un milione di token?

Come riferimento approssimativo: nel nostro [dataset sull’efficienza dei tokenizer](https://broadrouter.com/data/tokenizer-efficiency/), 1.000 parole di prosa inglese hanno dato circa 1,290 [token](https://broadrouter.com/it/glossary/token/), in media su cinque tokenizer, quindi un milione di token sono circa 810,000 parole di prosa semplice:

| Contenuto | Più o meno |
| --- | --- |
| Una codebase di medie dimensioni (decine di migliaia di righe) | Ci sta, con spazio in avanzo |
| Diversi contratti lunghi con allegati | Ci stanno |
| Un giorno di trascrizioni di riunioni | Ci sta |
| Un grande monorepo con le dipendenze | Spesso no; seleziona le directory |

Il numero di token dipende da lingua e contenuto. Il codice e il testo arabo spesso usano più token per carattere della prosa inglese. Misura con il blocco `usage` di una richiesta reale invece di stimare, oppure controlla un campione nel [calcolatore della finestra di contesto](https://broadrouter.com/tools/context-window-calculator/).

## Quali modelli BroadNet hanno una finestra di contesto da 1M di token?

| Modello | Finestra di contesto | Input | Output | Immagini |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) | 1.048.576 | $0.175 | $0.52 | Sì |
| [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) | 1.048.576 | $0.78 | $3.46 | No |
| [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) | 262.144 | $0.175 | $2.17 | Sì |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) | 32.768 | $0.10 | $0.22 | Sì |

I prezzi sono per 1M di token. GLM 5.3 aggiunge tool calling e output strutturato sulla stessa finestra da 1M.

## Quando conviene una finestra da 1M di token?

-   **Ragionamento tra più file.** “Perché fallisce questo test?” spesso dipende da cinque file che nessuno penserebbe di recuperare insieme.
-   **Revisione di documenti interi.** Trovare conflitti tra la clausola 4 e l’allegato B richiede di vederli entrambi.
-   **Analisi una tantum.** Per una domanda che farai una volta sola, costruire un indice di retrieval costa più fatica di quanta ne risparmi.
-   **Agenti.** Un sub-agente che può leggere l’intero modulo tira a indovinare meno spesso. Vedi [eseguire agenti in parallelo](https://broadrouter.com/it/blog/run-parallel-coding-agents-flat-rate/).

## Quando il retrieval resta la scelta migliore?

Il retrieval vince per tante piccole ricerche in un archivio molto più grande di qualsiasi finestra, per contenuti che cambiano ogni minuto e per risposte interattive rapide, dove leggere prima un prompt enorme aggiunge ritardo. Molti sistemi in produzione fanno entrambe le cose: recuperano i 200.000 token più rilevanti, poi lasciano ragionare su tutti un modello a contesto lungo. La decisione completa, con costo per query, latenza e recall a confronto, è in [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/).

## Il modello usa davvero tutta la finestra?

Non in modo uniforme. La ricerca su questo è coerente:

-   Lo studio [Lost in the Middle](https://arxiv.org/abs/2307.03172) (Liu et al.) ha rilevato che le prestazioni «is often highest when relevant information occurs at the beginning or end of the input context» (traduzione: sono spesso più alte quando l’informazione rilevante si trova all’inizio o alla fine del contesto di input).
-   Il report [Context Rot](https://www.trychroma.com/research/context-rot) di Chroma ha testato 18 modelli e ha rilevato che «performance grows increasingly unreliable as input length grows» (traduzione: le prestazioni diventano sempre meno affidabili al crescere della lunghezza dell’input), anche su compiti semplici.

Questi studi non hanno testato i modelli su BroadNet, quindi prendili come un avvertimento, non come una misurazione. La regola pratica: una finestra che accetta un milione di token non significa che ogni token riceva la stessa attenzione. Metti il materiale più importante vicino all’inizio o alla fine, e verifica il recall sui tuoi documenti.

## Quanto costa un prompt da un milione di token?

Con una chiave a [pagamento a consumo](https://broadrouter.com/it/glossary/pay-as-you-go/), DeepSeek V4.1 Flash fattura $0.175 per 1M di token di input e $0.0055 per 1M di [token di input in cache](https://broadrouter.com/it/glossary/cached-input-tokens/). Un prompt pieno da un milione di token costa circa $0.175 la prima volta, e molto meno nelle chiamate ripetute quando il prefisso è in cache. [Come alzare il tuo tasso di cache](https://broadrouter.com/it/blog/cached-input-tokens-explained/).

Il [calcolatore del prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/) mostra quanto fa risparmiare un hit della cache con le dimensioni dei tuoi prompt. Un esempio concreto: dieci domande sullo stesso insieme di contratti da 800.000 token. Senza cache sono 8M di token a $0.175 per 1M. Se i documenti vengono per primi e restano identici, la prima chiamata legge 800.000 token nuovi e le nove successive possono leggerne la maggior parte dalla cache a $0.0055 per 1M. Cambiano solo la domanda e la risposta.

Con un piano illimitato la dimensione del prompt non cambia la fattura: Full Moon costa $60 al mese per sessione senza contatore di token. Per questo gli agenti a contesto lungo sono un motivo comune per scegliere un [piano flat invece della fatturazione per token](https://broadrouter.com/it/blog/flat-rate-vs-pay-per-token-llm-api/).

## Quanto spazio lasciare per la risposta?

La finestra copre prompt **e** output, e sui modelli di ragionamento l’output include il thinking. Se invii 1.040.000 token di prompt, ne restano solo circa 8.000 per [ragionamento](https://broadrouter.com/it/glossary/reasoning-tokens/) e risposta. Tieni un margine, imposta esplicitamente [`max_tokens`](https://broadrouter.com/it/glossary/max-tokens/) e leggi [perché i modelli di ragionamento possono restituire una risposta vuota](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/).

## Come preparare una codebase per un prompt da 1M di token

1.  **Escludi ciò che non serve al modello.** Lock file, output di build, dipendenze vendorizzate, immagini e codice generato occupano token e aggiungono rumore.
2.  **Conta prima di inviare.** Invia un piccolo campione, leggi `prompt_tokens` da usage e scala.
3.  **Ordina per stabilità.** Prima i file che cambiano di rado, per ultimi quelli in modifica, la domanda proprio alla fine. Così il prefisso resta utilizzabile dalla cache.
4.  **Etichetta ogni file.** Racchiudi i file tra marcatori chiari come `=== path/to/file.py ===`, così il modello può citarli.
5.  **Chiedi citazioni.** “Cita la riga su cui ti basi” riduce gli errori detti con sicurezza su input enormi.
6.  **Misura.** Registra per ogni richiesta token del prompt, token in cache e tempo al primo token. Lo [streaming](https://broadrouter.com/it/guides/streaming-chat-completions/) mostra il primo token appena arriva.

## Dove si inserisce BroadNet Inference

Due dei suoi modelli di chat accettano 1.048.576 token per richiesta, e BroadNet non taglia il tuo contesto. Con una chiave a token, la cache mantiene sostenibili i prompt lunghi ripetuti; con una sessione di un piano, la dimensione del prompt non incide sulla fattura. Se il tuo corpus è molto più grande di un milione di token o cambia ogni minuto, ti serve comunque il retrieval, e nessuna dimensione di finestra cambia le cose.

Strumenti gratuiti sul tema (in inglese)

-   [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.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

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

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Pagamento a consumo (pay-as-you-go)](https://broadrouter.com/it/glossary/pay-as-you-go/)

Il pagamento a consumo è un modello di prezzo in cui paghi solo ciò che usi, misurato per unità come token, richieste o minuti di audio, senza abbonamento né impegno minimo. La maggior parte delle API LLM fattura così, da un saldo prepagato o con una fattura periodica.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/)

La finestra di contesto è il numero massimo di token con cui un modello linguistico può lavorare in una singola richiesta. Comprende prompt, cronologia della conversazione, definizioni degli strumenti, immagini e output generato, token di ragionamento inclusi. Ciò che non ci sta va tagliato, riassunto o diviso su più richieste.

[Token di input e di output](https://broadrouter.com/it/glossary/input-and-output-tokens/)

I token di input sono quelli che un modello linguistico legge in una richiesta: system prompt, cronologia, definizioni degli strumenti e immagini. I token di output sono quelli che genera in risposta, ragionamento compreso. Le API LLM di solito li prezzano separatamente, e l’output costa di più.

[Token di input in cache (cached input)](https://broadrouter.com/it/glossary/cached-input-tokens/)

I token di input in cache sono token del prompt che un provider LLM ha elaborato da poco e può riusare da una cache invece di ricalcolarli, di solito un prefisso ripetuto come un system prompt o un documento. I provider li fatturano a una tariffa più bassa dei token di input nuovi.

[Context rot (degrado del contesto)](https://broadrouter.com/it/glossary/context-rot/)

Il context rot è la perdita graduale di accuratezza e affidabilità che i modelli linguistici mostrano quando l’input si allunga, anche se il compito resta lo stesso e l’input è ben dentro la context window. Il termine è stato reso popolare da un report tecnico di Chroma del 2025 che ha testato 18 modelli.

[Lost in the middle (perso nel mezzo)](https://broadrouter.com/it/glossary/lost-in-the-middle/)

Lost in the middle è la tendenza osservata dei modelli linguistici a usare meglio le informazioni rilevanti quando compaiono vicino all’inizio o alla fine di un input lungo, e peggio quando stanno nel mezzo. Il nome viene da uno studio del 2023 di Liu et al.

## Domande frequenti

### BroadNet taglia i prompt lunghi?

No. BroadNet non taglia il tuo contesto. Se il prompt più max\_tokens supera la finestra del modello, accorcia il prompt invece di contare su un troncamento silenzioso.

### Quante parole sono 1 milione di token?

Dipende dalla lingua e dal contenuto. Nel dataset di tokenizer di BroadRouter la prosa inglese ha misurato circa 129 token ogni 100 parole (1.000 parole hanno dato circa 1,290 token, in media su cinque tokenizer), quindi 1.048.576 token contengono circa 810,000 parole, ben oltre mille pagine. Testi tecnici, codice e arabo richiedono più token, quindi conta il tuo contenuto reale.

### Una richiesta da 1M di token è lenta?

Ci mette più tempo a partire di una richiesta corta, perché il modello deve prima leggere tutto il prompt. Nelle chiamate ripetute i prefissi in cache di solito aiutano. Misura il tempo al primo token sui tuoi prompt.

### Gli LLM usano davvero tutta la finestra di contesto?

Non in modo uniforme. Lo studio Lost in the Middle ha rilevato che l’accuratezza è spesso più alta quando l’informazione rilevante sta all’inizio o alla fine dell’input, e il report Context Rot di Chroma ha rilevato che l’affidabilità cala al crescere dell’input. Metti il materiale chiave ai bordi e fai test sui tuoi dati.

### Devo smettere di usare la RAG?

Non necessariamente. Usa il contesto lungo quando il modello deve vedere tutto insieme, e il retrieval quando gli servono pochi fatti da un archivio enorme. Molti sistemi combinano le due cose.

### Cosa succede se il mio prompt è più grande della finestra di contesto?

BroadNet non lo taglia per te, quindi la richiesta non funzionerà come previsto. Togli dei file, riassumi i turni vecchi o recupera solo le parti rilevanti prima dell’invio.

## Continua a leggere

-   [Token di input in cache: come ridurre la bolletta delle API LLM](https://broadrouter.com/it/blog/cached-input-tokens-explained/)
-   [Come far girare agenti di coding in parallelo con un’API LLM flat](https://broadrouter.com/it/blog/run-parallel-coding-agents-flat-rate/)
-   [API LLM a tariffa flat o a consumo per token: i conti del pareggio](https://broadrouter.com/it/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Hardware GPU e serving di BroadNet, come li descrive BroadNet](https://broadrouter.com/it/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache delle risposte delle API LLM: una cache esatta in Python](https://broadrouter.com/it/blog/cache-llm-responses-cut-cost/)
-   [Guida: Perché un modello di ragionamento restituisce una risposta vuota](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/)
-   [Guida: Streaming delle chat completions e connessioni interrotte](https://broadrouter.com/it/guides/streaming-chat-completions/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Prezzi e lunghezze di contesto di BroadNet Inference in formato leggibile dalle macchine (pricing.json) (in inglese)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-million-token-context-window-guide&utm_content=sources)
-   [Riferimento API di BroadNet Inference (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-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 (luglio 2025)](https://www.trychroma.com/research/context-rot)
