---
title: "Что такое context rot? Почему LLM хуже на длинном входе"
description: "Деградация контекста (context rot) — падение точности LLM с ростом входа задолго до заполнения окна. Что Chroma намерила на 18 моделях и как это ограничить."
url: https://broadrouter.com/ru/glossary/context-rot/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/context-rot/) (обновлён 2026-11-14).

# Деградация контекста (context rot)

Обновлено 2026-11-14

Деградация контекста (context rot) — это постепенная потеря точности и надёжности языковых моделей по мере удлинения входа, даже если задача не меняется, а вход далеко не заполняет контекстное окно. Термин закрепился после технического отчёта Chroma 2025 года, в котором проверили 18 моделей.

Также называют: деградация контекста, гниение контекста, деградация длинного контекста, деградация на длинном контексте, context rot, context degradation, long-context degradation, context decay, context window degradation

Модель, которая принимает миллион токенов, использует миллионный токен хуже, чем первую тысячу. Этот разрыв и есть деградация контекста.

## Как это работает

Отчёт Chroma (Hong, Troynikov и Huber, июль 2025 года) проверил 18 моделей, включая GPT-4.1, Claude 4, Gemini 2.5 и Qwen3, на задачах, сложность которых не менялась, а вход рос. Главный вывод: “model performance consistently degrades with increasing input length.” (перевод: «качество модели стабильно падает с ростом длины входа».)

Выделились три эффекта:

-   **Сильнее всего страдают слабые совпадения.** Когда у вопроса и нужного фрагмента мало общих слов, точность с ростом длины падала быстрее.
-   **Отвлекающие фрагменты вредят.** “Even a single distractor reduces performance relative to the baseline” (перевод: «даже один отвлекающий фрагмент снижает качество относительно базового уровня»), а четыре ухудшали результат ещё сильнее. Отвлекающий фрагмент — это отрывок на ту же тему, который не отвечает на вопрос.
-   **Структура важна, причём неожиданным образом.** Связный текст-наполнитель вредил сильнее, чем те же предложения в перемешанном виде. Авторы обнаружили, что “structural coherence consistently hurts model performance.” (перевод: «структурная связность стабильно ухудшает качество модели».)

Это продолжает более ранние работы, например [lost in the middle](https://broadrouter.com/ru/glossary/lost-in-the-middle/), где были показаны эффекты позиции. Деградация контекста расширяет вывод: точность снижает сама длина, а не только позиция.

## Почему это важно

-   **Агенты.** [Агент](https://broadrouter.com/ru/glossary/agent/) для программирования или исследований накапливает прочитанные файлы, логи и старые результаты инструментов. Каждый из них — потенциальный отвлекающий фрагмент. Точность может поползти вниз задолго до заполнения [контекстного окна](https://broadrouter.com/ru/glossary/context-window/).
-   **Стоимость и задержка.** Длинные промпты к тому же требуют больше входных токенов и дольше обрабатываются, так что сокращение помогает сразу в трёх отношениях.
-   **Длинный контекст против поиска.** Отправить весь корпус просто, но [RAG](https://broadrouter.com/ru/glossary/rag/), который отправляет только релевантные чанки, не пускает в контекст отвлекающие фрагменты.

## В BroadNet Inference

DeepSeek V4.1 Flash и GLM 5.3 в BroadNet принимают до 1 048 576 токенов, а Qwen3.8 27B — до 262 144. BroadNet не обрезает ваш контекст: модель читает ровно то, что вы отправили. Считайте лимит потолком, а не целью. [Руководство по контекстному окну в 1 млн токенов](https://broadrouter.com/ru/blog/million-token-context-window-guide/) объясняет, когда полное окно оправдано, а статья [об управлении контекстом для долго работающих агентов](https://broadrouter.com/ru/blog/long-running-agent-context-management/) показывает приёмы суммаризации и обрезки. [Калькулятор контекстного окна](https://broadrouter.com/tools/context-window-calculator/) помогает оценить размер промпта до отправки.

## Частые ошибки

-   Вставлять все файлы «на всякий случай». Связанный, но нерелевантный текст — именно то, что Chroma использовала в тестах с отвлекающими фрагментами.
-   Тестировать на «иголке», которая дословно совпадает с вопросом. Реальные вопросы так совпадают редко.

## Вопросы и ответы

### Context rot — это то же самое, что lost in the middle?

Это родственные явления. Lost in the middle — о том, где в промпте находится ключевой факт. Деградация контекста — о том, как общая длина входа, отвлекающие фрагменты и структура снижают точность в целом.

### Решает ли проблему большее контекстное окно?

Нет. Большое окно позволяет отправить больше, но Chroma обнаружила, что с ростом входа качество падает у каждой проверенной модели. Отправляйте то, что нужно задаче, а не всё, что помещается.

### Как агентам избежать деградации контекста?

Держать рабочий контекст коротким: суммаризировать старые шаги, выбрасывать устаревший вывод инструментов и загружать файлы по мере необходимости, а не все сразу.

## См. также

-   [Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/) (термин)
-   [Потеря в середине (lost in the middle)](https://broadrouter.com/ru/glossary/lost-in-the-middle/) (термин)
-   [RAG (генерация, дополненная поиском)](https://broadrouter.com/ru/glossary/rag/) (термин)
-   [ИИ-агент (AI agent)](https://broadrouter.com/ru/glossary/agent/) (термин)
-   [Вход из кэша (cached input tokens)](https://broadrouter.com/ru/glossary/cached-input-tokens/) (термин)
-   [Контекстная инженерия (context engineering)](https://broadrouter.com/ru/glossary/context-engineering/) (термин)
-   [Сжатие контекста (context compaction)](https://broadrouter.com/ru/glossary/context-compaction/) (термин)
-   [Когда контекстное окно на 1 млн токенов оправдано (а когда нет)](https://broadrouter.com/ru/blog/million-token-context-window-guide/) (статья)
-   [Управление контекстом долгоживущих агентов с окном 1 млн токенов](https://broadrouter.com/ru/blog/long-running-agent-context-management/) (статья)
-   [Длинный контекст или RAG: когда 1 млн токенов заменяет векторную БД](https://broadrouter.com/ru/blog/long-context-vs-rag/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Hong, Troynikov и Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance (технический отчёт Chroma, 2025)](https://www.trychroma.com/research/context-rot)
-   [Liu и др., Lost in the Middle: How Language Models Use Long Contexts (arXiv)](https://arxiv.org/abs/2307.03172)
-   [Справочник BroadNet Inference API, ID моделей и контекст (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-context-rot&utm_content=sources#models)
