先说结论
上下文窗口里的 200k，指的是 Token 数量，不是字符数，也不是文件大小。
Token 是什么
可以把 Token 理解成大模型'读文本'时用的最小计量单位。它不是严格等于字符，也不是严格等于单词，更接近一种模型内部的切分颗粒。
200k 大概能装多少内容
不同文本，Token 消耗差很多，没法只靠文件大小判断。
- 中文文本：1 个汉字大致对应 1–2 个 Token，200k Token 约等于 15–20 万汉字
- 英文文本：1 个英文单词大致对应 1–1.3 个 Token，200k Token 约等于 15 万英文单词
- 代码和日志通常更碎，一行代码可能占 5–20 个 Token，具体看语言和写法
所以同样是 10MB 文件，Token 数量可能差很多。这个差异很常见，尤其是拿 PDF、代码仓库、日志和纯文本放在一起比的时候。
为什么不是按文件大小算
模型并不认识 MB 或 KB。输入在进入模型前，都会先变成 Token 序列，再交给模型处理。
一个很典型的例子是：
- 10MB 的扫描版 PDF，内容其实是图片，能提取出来的文本很少
- 5MB 的纯文本技术规范，Token 可能已经很高，甚至直接超过限制
所以，上下文窗口真正关心的只有 Token。
200k 和 1M 上下文意味着什么
200k Token 已经能把很多长文档、历史对话和当前问题一起塞进去，适合连续阅读和跨段推理。
1M Token 更夸张一些，接近整本厚书、附录、日志、源码一起放进来的量级。它会明显降低对 RAG 分段的依赖，但不等于可以完全不要检索。
常见模型的上下文上限
下面只是常见认知，不同版本和发布时间会变，别把它当成固定合同参数。
| 模型体系 | 具体模型 / 版本 | 常见上下文上限（Token） | 核心特点 |
|---|---|---|---|
| ChatGPT 系列 | GPT-4 / GPT-4.1 | ~32k | 稳定通用，适合中等长度对话与文档 |
| GPT-4o / 新一代模型 | ~128k | 多模态 + 长上下文，综合能力强 | |
| Kimi 系列 | 早期版本 | ~128k | 已具备较强长文处理能力 |
| 新版本（对外宣传） | ~200k | 长文档连续阅读体验突出 | |
| Claude（补充） | Claude 2 / Claude 3 | ~100k – 200k | 长文本理解、总结能力强 |
一个经常被误解的点
上下文窗口变大，不代表模型一定更聪明。它更像是把桌子铺大了，能摊开的材料更多，推理时少掉信息的概率也更低。
它真正带来的提升，主要在这几类场景里很明显：
- 长文档整体理解
- 多文档联合推理
- 复杂业务链路分析
- 连续对话里尽量不丢上下文
像邮件分析、工单复盘、合同和规范理解、多系统上下文 Agent 这类任务，200k 的价值就比较直观。它不是玄学，更多是把'记得住'这件事做得更扎实。
