PDF-Token-Limits nach KI-Modell: eine praktische Referenz (2026)
Kontextfenster, Seitenabschätzungen, Tokenizer-Unterschiede und eine praktische Regel für Chunking versus Vollübergabe.
Jedes Mal, wenn Sie ein PDF an ein KI-Modell senden, arbeiten Sie innerhalb eines Token-Budgets. Wird das Limit überschritten, lehnt das Modell die Eingabe ab oder verwirft still Inhalte. Die Schwierigkeit: Jede Modellfamilie hat eine andere Obergrenze, und diese Grenzen ändern sich mit jedem Update.
Dieser Post ist eine aktuelle Referenz. Die Zahlen spiegeln den Stand Mitte 2026 wider.
Aktuelle Kontextfenster (Mitte 2026)
| Modell | Kontextfenster | Ca. dichte PDF-Seiten |
|---|---|---|
| GPT-3.5-turbo | 16 385 Tokens | 30 bis 60 |
| GPT-4o | 128 000 Tokens | 250 bis 500 |
| Claude 3.5 Sonnet | 200 000 Tokens | 400 bis 800 |
| Gemini 1.5 Pro | 1 000 000 Tokens | 2 000 bis 4 000 |
| Llama 3.1 (405B) | 128 000 Tokens | 250 bis 500 |
| Mistral Large | 128 000 Tokens | 250 bis 500 |
Die Seitenangabe geht von etwa 500 Tokens pro Seite Fachtext aus. Zuverlässig wissen Sie es nur durch Messen.
Warum diese Zahlen nicht dem nutzbaren Wert entsprechen
Das Kontextfenster wird zwischen Ein- und Ausgabe geteilt. Faustregel: Planen Sie mit etwa 80% des angegebenen Fensters für Ihren Dokumentinhalt.
Tokenizer-Unterschiede zwischen Modellen
Deutscher Text tokenisiert bei OpenAI-Modellen oft 20 bis 35% schwerer als Englisch. Wenn Ihre PDFs nicht auf Englisch sind, ist Messen noch wichtiger als Schätzen.
Messen vor der Entscheidung
Lassen Sie Ihre PDF durch den Token Counter laufen, bevor Sie sich für einen Ablauf entscheiden. Falls Chunking nötig ist, teilt der PDF-Chunker mit Überlappung und exportiert strukturierte Ausgabe.