Was bewirkt die Temperatur bei KI-Modellen in der Praxis?

Wer mit Sprachmodellen arbeitet, begegnet früher oder später dem Begriff Temperatur. Der Lehrgang beschreibt sie als den Wert, der festlegt, wie viel Spielraum ein Modell bei der Wortwahl hat. Wenig Spielraum führt zu sachlicheren, gut vorhersehbaren Antworten, viel Spielraum zu kreativeren und abwechslungsreicheren, die sich dafür schwerer abschätzen lassen.

Was im Modell passiert

Ein Sprachmodell baut seine Antwort Token für Token auf. Für jeden Schritt berechnet es, wie wahrscheinlich die möglichen nächsten Bausteine sind, und wählt einen davon aus. Dieses Next-Token-Prinzip beschreibt der Lehrgang als Kern jeder Antwort. Die Temperatur setzt bei der Auswahl an: Sie bestimmt mit, wie viel Zufall dabei im Spiel ist. Die API-Dokumentationen großer Anbieter beschreiben sie entsprechend, höhere Werte führen dort zu zufälligeren, niedrigere zu fokussierteren Ausgaben.

Auch bei sehr niedriger Einstellung sind Antworten nicht zwingend identisch. Eine der Dokumentationen weist ausdrücklich darauf hin, dass selbst der niedrigste Wert keine vollständig gleichen Ergebnisse sicherstellt.

Warum feste Idealwerte wenig helfen

Im Netz kursieren Listen mit festen Werten für bestimmte Aufgaben. Der Lehrgang nennt keine solchen Werte, und dafür gibt es gute Gründe:

• Die Skalen sind nicht einheitlich. Die Wertebereiche unterscheiden sich je nach Anbieter. Derselbe Zahlenwert bedeutet also nicht überall dasselbe.

• Nicht jedes Produkt macht den Wert zugänglich. Ob du die Temperatur überhaupt einstellen kannst, hängt vom Anbieter und von der Produktversion ab. Bei einem großen Anbieter nehmen neuere Modelle laut API-Referenz (Stand Oktober 2026) nur noch den Standardwert an.

• Modelle reagieren unterschiedlich. Was bei einem Modell gut funktioniert, solltest du bei einem anderen erneut ausprobieren.

Aktuelle Wertebereiche und Einstellmöglichkeiten stehen in der Dokumentation deines Anbieters. Sie können sich mit neuen Modellversionen ändern.

So nutzt du das Prinzip im Alltag

Hilfreicher als ein Zahlenwert ist die Frage, was du von der Antwort erwartest. Brauchst du gleichbleibende, wiederholbare Ergebnisse, ist wenig Spielraum das Ziel. Suchst du Varianten und neue Ideen, darf das Modell freier wählen, mit dem Preis, dass du mehr aussortieren musst.

Kannst du den Wert in deinem Werkzeug nicht einstellen, bleibt der Prompt dein wichtigster Hebel. Klare Vorgaben zu Aufgabe, Format und Beispielen verkleinern den Spielraum ebenfalls. Der Lehrgang stellt die R-K-A-F-B-Formel genau so vor: als Hilfe, die Menge der möglichen Antworten gezielt einzugrenzen.

Eines leistet eine niedrige Temperatur nicht: Sie macht eine Antwort nicht automatisch richtig. Ein Sprachmodell ist laut Lehrgang darauf trainiert, plausible Fortsetzungen zu erzeugen, nicht korrekte. Gleichförmige Antworten können deshalb gleichförmig falsch sein. Wie du Aussagen prüfst, zeigt der Beitrag Wie prüfe ich, ob eine KI-Antwort stimmt?

Die Temperatur ist Thema in Modul 1 des Lehrgangs Manager für KI-Kompetenzen (IHK), Lektion „Wie ein Modell lernt“.

Quellen: OpenAI, OpenAPI-Spezifikation der API, Parameter temperature (Version 2.3.0, abgerufen im Oktober 2026); Anthropic, API-Referenz „Create a Message“, Parameter temperature (abgerufen im Oktober 2026).