Fine-Tuning ist das Nachtrainieren eines fertigen KI-Modells mit eigenen Beispieldaten, um es auf eine bestimmte Aufgabe, einen Stil oder ein Fachgebiet zu spezialisieren. Statt ein Modell von Grund auf zu trainieren (was Millionen kostet), wird ein vorhandenes LLM gezielt angepasst.
Wie funktioniert Fine-Tuning?
Man stellt hunderte bis tausende Beispielpaare zusammen – typischerweise „Eingabe → gewünschte Ausgabe“ – und trainiert das Modell damit weiter. Danach beherrscht es das Muster, ohne dass man es in jedem Prompt neu erklären muss: etwa den Tonfall einer Marke, ein festes Ausgabeformat oder Fachjargon einer Branche.
Fine-Tuning oder RAG – was brauchst du?
Die beiden werden oft verwechselt, lösen aber verschiedene Probleme:
- Fine-Tuning ändert das Verhalten: Stil, Format, Spezialisierung. Es eignet sich schlecht, um Wissen aktuell zu halten – bei jeder Änderung müsste neu trainiert werden.
- RAG liefert Wissen: Das Modell schlägt zur Laufzeit in deinen Dokumenten nach. Neue Inhalte sind sofort verfügbar, ohne Training.
Faustregel: Geht es um Fakten und Inhalte, nimm RAG. Geht es um Verhalten und Form, hilft Fine-Tuning. In der Praxis reicht für die meisten Anwendungsfälle ein guter Prompt plus RAG – Fine-Tuning lohnt sich erst bei großem Volumen und stabilen Anforderungen.
Für wen ist Fine-Tuning relevant?
Vor allem für Unternehmen und Entwickler, die KI über die API in Produkte einbauen – große Anbieter wie OpenAI und Google bieten Fine-Tuning als Dienst an, bei offenen Modellen wie Llama von Meta geht es auch auf eigener Hardware. Als Chat-Nutzer brauchst du es praktisch nie.
Verwandte Begriffe
LLM · RAG · Prompt · Zum ganzen KI-Glossar