Temperatur (LLM-Parameter)
Was ist die Temperatur bei LLMs?
Die Temperatur bei einem LLM ist ein Parameter, der steuert, wie vorhersehbar oder variantenreich ein Sprachmodell das nächste Token auswählt. Niedrige Werte bevorzugen wahrscheinliche Fortsetzungen und erzeugen konsistentere Antworten. Höhere Werte verteilen die Auswahl breiter, wodurch abwechslungsreichere, aber auch weniger verlässliche Ergebnisse entstehen können.
Was die LLM-Temperatur steuert
Die Temperatur bei LLMs beeinflusst die Token-Auswahl während der Textgenerierung. Ein Token ist eine kleine Spracheinheit, etwa ein Wort, Wortteil oder Satzzeichen. Das Modell berechnet für jedes mögliche nächste Token eine Wahrscheinlichkeit. Der Temperaturwert verändert diese Verteilung, bevor ein Token ausgewählt wird.
Bei einer niedrigen Temperatur konzentriert sich die Auswahl stärker auf Tokens mit hoher Wahrscheinlichkeit. Das Modell formuliert dadurch meist sachlicher und gleichförmiger. Eine hohe Temperatur gleicht die Wahrscheinlichkeiten stärker an, sodass auch weniger naheliegende Wörter ausgewählt werden können. Das erhöht die sprachliche Vielfalt, kann aber Widersprüche und sachliche Fehler begünstigen.
So funktioniert die Temperatur
Sprachmodelle erzeugen Texte schrittweise. Nach jedem Token berechnet das LLM mögliche Fortsetzungen und bewertet sie anhand des bisherigen Kontexts. Die Temperatur verändert diese Bewertungen mathematisch, bevor das Sampling, also die Auswahl des nächsten Tokens, beginnt.
Angenommen, ein Modell soll den Satz „SEO verbessert die …“ vervollständigen. Bei niedriger Temperatur wählt es wahrscheinlich eine häufige Fortsetzung wie „Sichtbarkeit“. Bei höherer Temperatur können Varianten wie „Auffindbarkeit“, „Reichweite“ oder eine ungewöhnlichere Satzkonstruktion entstehen. Die Temperatur verändert dabei nicht das Wissen des Modells, sondern dessen Auswahlverhalten.
Temperaturwerte richtig wählen
Es gibt keinen universell passenden Temperaturwert. Die geeignete Einstellung hängt von der Aufgabe, dem verwendeten Modell und den weiteren Sampling-Parametern ab. Für produktive Prozesse solltest du mehrere Werte mit identischen Eingaben testen und die Ergebnisse anhand fester Qualitätskriterien vergleichen.
| Temperaturbereich | Typisches Verhalten | Geeignete Aufgaben |
|---|---|---|
| Sehr niedrig | Vorhersehbare und eng am wahrscheinlichsten Ergebnis orientierte Ausgabe | Datenextraktion, Klassifikation, strukturierte Zusammenfassungen |
| Niedrig bis mittel | Kontrollierte Variation bei überwiegend konsistenten Antworten | SEO-Briefings, Produktinformationen, FAQ-Antworten, Analysen |
| Mittel | Größere sprachliche Vielfalt und mehrere Lösungsansätze | Überschriften, Anzeigenvarianten, Content-Ideen |
| Hoch | Ungewöhnlichere Wortwahl und weniger vorhersehbare Fortsetzungen | Brainstorming, Namensideen, experimentelle Texte |
Die Bereiche in der Tabelle sind eine funktionale Einordnung und keine festen Grenzwerte. Manche Schnittstellen erlauben Werte von 0 bis 1, andere unterstützen beispielsweise Werte bis 2. Auch Modellversion, Systemanweisung und Prompt-Struktur beeinflussen, wie stark eine Temperaturänderung im Ergebnis sichtbar wird.
Ist Temperatur 0 deterministisch?
Eine Temperatur von 0 führt häufig dazu, dass das Modell jeweils das wahrscheinlichste nächste Token auswählt. Identische Antworten sind trotzdem nicht garantiert. Technische Änderungen, aktualisierte Modellversionen, parallele Berechnungen oder interne Sicherheitsregeln können zu abweichenden Ausgaben führen. Für reproduzierbare Prozesse müssen deshalb Modellversion, Prompt, Parameter und Testergebnis dokumentiert werden.
Unterschied zu Top-p und Seed
Der Unterschied zwischen Temperatur und Top-p liegt in der Art, wie die Token-Auswahl begrenzt wird. Die Temperatur verändert die gesamte Wahrscheinlichkeitsverteilung. Top-p berücksichtigt dagegen nur eine dynamische Gruppe wahrscheinlicher Tokens, deren addierte Wahrscheinlichkeit einen festgelegten Schwellenwert erreicht.
Top-k beschränkt die Auswahl auf eine feste Anzahl der wahrscheinlichsten Tokens. Ein Wert von Top-k 20 bedeutet beispielsweise, dass maximal 20 Kandidaten für das nächste Token berücksichtigt werden. Nicht jede API stellt Top-k zur Verfügung.
Ein Seed ist ein Startwert für den Zufallsprozess und soll die Wiederholbarkeit unterstützen. Er beeinflusst nicht direkt, wie kreativ ein Text wirkt. Selbst bei identischem Seed können Änderungen am Modell oder an der technischen Infrastruktur andere Resultate erzeugen.
Temperatur für SEO und GEO
Für SEO-Aufgaben eignet sich meist eine niedrige bis mittlere Temperatur, wenn Fakten, Suchintention und vorgegebene Strukturen eingehalten werden müssen. Dazu gehören Content-Briefings, Meta-Daten, Kategoriebeschreibungen und die Auswertung von Keyword-Daten. Eine höhere Einstellung kann bei Themenideen helfen, ersetzt aber weder belastbare Daten noch eine redaktionelle Prüfung.
Bei SEA kann eine mittlere Temperatur unterschiedliche Anzeigenansätze oder Formulierungen liefern. Die Varianten sollten anschließend gegen Zeichenlimits, Markenrichtlinien und Kampagnendaten geprüft werden. Eine größere sprachliche Vielfalt ist nur dann nützlich, wenn die Anzeigen weiterhin zum Keyword, zur Zielseite und zur Suchintention passen.
Für GEO, ausgeschrieben Generative Engine Optimization, ist die Temperatur vor allem bei Tests von KI-Antworten relevant. Generative Systeme können dieselbe Markenfrage unterschiedlich beantworten. Eine einzelne Abfrage liefert deshalb kein stabiles Bild der KI-Sichtbarkeit. Aussagekräftiger sind wiederholte Messungen mit gleichbleibenden Prompts, mehreren Fragestellungen und dokumentierten Zeitpunkten. Der Beitrag Erwähnungen in ChatGPT und Perplexity messen erklärt diesen Ansatz genauer.
Bei der Content-Erstellung bestimmt die Temperatur nur einen Teil der Ausgabequalität. Aktuelle Unternehmensdaten, klare Anweisungen, Beispiele und definierte Prüfkriterien haben häufig einen größeren Einfluss. Der OSG-Leitfaden zur Textoptimierung mit KI zeigt, wie KI-Ausgaben nach der Erstellung fachlich und sprachlich kontrolliert werden können.
Typische Fehler bei der Einstellung
Ein häufiger Fehler besteht darin, Temperaturwerte verschiedener Modelle direkt miteinander zu vergleichen. Ein Wert von 0,7 kann je nach Anbieter, Modellversion und Kombination mit Top-p deutlich anders wirken. Aussagekräftige Vergleiche benötigen deshalb denselben Prompt, dieselben Quelldaten und ein festes Bewertungsraster.
Auch die gleichzeitige starke Veränderung von Temperatur und Top-p erschwert die Auswertung. Wenn du die Ursache einer Qualitätsänderung erkennen willst, solltest du zunächst nur einen Parameter anpassen. Bewerte danach Faktentreue, Formatkonformität, sprachliche Variation und Bearbeitungsaufwand getrennt.
Temperatur im KI-Workflow nutzen
Ein belastbarer Workflow beginnt mit einer Referenzaufgabe und klaren Qualitätskriterien. Für einen SEO-Text können das die korrekte Beantwortung der Suchintention, die Einhaltung der Gliederung, die Verwendung vorgegebener Daten und die Zahl notwendiger Korrekturen sein. Anschließend testest du mehrere Temperaturwerte unter identischen Bedingungen.
Für datenbasierte Marketingaufgaben kannst du reale SEO-, SEA- und GEO-Daten über einen KI Datenlayer mit kuratierten Exporten bereitstellen. Eine passende Temperatur steuert anschließend die Variation der Antwort. Die Qualität der Analyse hängt jedoch zuerst davon ab, ob die KI vollständige, aktuelle und auf die Domain bezogene Daten erhält.
Wenn du eigene Marketingdaten strukturiert für KI-Analysen bereitstellen möchtest, kannst du einen Account anlegen und einen kuratierten Export testen.
Häufige Fragen zur LLM-Temperatur
Welche Temperatur eignet sich für sachliche Texte?
Für sachliche Texte ist meist eine niedrige bis mittlere Temperatur sinnvoll. Sie reduziert ungewöhnliche Formulierungen und unterstützt konsistente Strukturen. Fakten müssen trotzdem anhand verlässlicher Daten geprüft werden.
Welche Temperatur sollte ich für kreative Texte wählen?
Kreative Aufgaben profitieren häufig von einer mittleren oder höheren Temperatur. Der passende Wert hängt vom Modell ab und sollte mit mehreren Testausgaben ermittelt werden. Sehr hohe Werte können den roten Faden und die Faktentreue beeinträchtigen.
Kann ich die Temperatur direkt in ChatGPT einstellen?
In normalen Chatoberflächen ist die Temperatur häufig nicht frei einstellbar. Über Programmierschnittstellen oder spezielle Entwicklungsumgebungen kann der Parameter je nach Modell verfügbar sein. Welche Einstellungen unterstützt werden, legt der jeweilige Anbieter fest.
Verhindert eine niedrige Temperatur Halluzinationen?
Eine niedrige Temperatur kann zufällige und ungewöhnliche Aussagen reduzieren, verhindert Halluzinationen aber nicht zuverlässig. Fehlende Daten, missverständliche Prompts und Wissenslücken bleiben mögliche Fehlerquellen. Kritische Aussagen benötigen eine Quellenprüfung.
Sollte ich Temperatur und Top-p gleichzeitig verändern?
Für kontrollierte Tests solltest du zunächst nur einen Sampling-Parameter verändern. Dadurch lässt sich erkennen, welche Einstellung die Ausgabe beeinflusst hat. Manche Anbieter empfehlen ebenfalls, Temperatur oder Top-p zu steuern, statt beide Werte gleichzeitig stark anzupassen.
Warum liefert ein LLM trotz gleicher Temperatur andere Antworten?
Sprachmodelle arbeiten bei vielen Einstellungen mit zufallsbasierter Token-Auswahl. Außerdem können Modellaktualisierungen, Systemanweisungen und technische Prozesse die Ausgabe verändern. Für Vergleiche sollten Prompt, Modell, Parameter und Zeitpunkt dokumentiert werden.
Sie haben noch Fragen?
