Wann und warum ein Modell feinabgestimmt werden sollte
Auf dieser Seite
Aktualisierung vom 2. November 2026 — Verfügbarkeit der Feinabstimmung. Die selbstbediente Feinabstimmung von OpenAI wird schrittweise eingestellt: Seit dem 7. Mai 2026 können Organisationen, die dies noch nie genutzt haben, keine neuen Jobs erstellen; seit dem 2. Juli müssen Sie ein feinabgestimmtes Modell innerhalb der letzten 60 Tage verwendet haben; und ab dem 6. Januar 2027 können keine neuen Kunden neue Jobs starten. Bereits trainierte Modelle bleiben nutzbar, bis ihr Basismodell zurückgezogen wird. Dieser Kurs bleibt nützlich, um ein bestehendes Modell zu verstehen und zu nutzen; für neue Projekte sollten Sie Prompt Engineering, RAG und Evaluierungen priorisieren.
Was ist Feinabstimmung?
Die Feinabstimmung beinhaltet das Nachtrainieren eines bestehenden Sprachmodells auf Ihren eigenen Daten, um sein Verhalten an Ihre spezifischen Bedürfnisse anzupassen. Während das Prompt Engineering das Modell durch kontextuelle Anweisungen leitet – die bei jedem Aufruf neu formuliert, gesendet und abgerechnet werden – verändert die Feinabstimmung die internen Gewichte des Modells, um neue Verhaltensweisen dauerhaft einzubetten. Sobald das Training abgeschlossen ist, wird das, was Sie zuvor in einem langen Systemprompt beschrieben haben, Teil des Modells selbst.
Bei OpenAI folgen feinabstimmbare Modelle dem aktuellen Katalog (die Familie GPT-5.6 seit Juli 2026) – prüfen Sie die offizielle Dokumentation zur Feinabstimmung für die genaue Liste der Varianten, die für das Training offen stehen. Der Arbeitsablauf selbst ändert sich nicht: Sie erstellen einen Trainingsdatensatz im JSONL-Format, starten einen Job über die API und erhalten ein benutzerdefiniertes Modell, das Sie exakt wie das Basismodell aufrufen. In Ihrem Code ändert sich lediglich die Modell-ID.
Wann ist Feinabstimmung angemessen?
Feinabstimmung ist nicht immer die richtige Lösung, und das ist der erste Punkt, den Sie vor dem Schreiben einer einzigen Zeile JSONL internalisieren sollten. Sie liefert echten Mehrwert vor allem für Ton und Stil: Wenn Ihr Produkt eine bestimmte Stimme erfordert, spart es Ihnen das Wiederholen dieser Anweisungen in jedem Prompt, wenn Sie es auf ein paar hundert bereits in dieser Stimme verfassten Dialogen trainieren. Der zweite starke Anwendungsfall ist die Formatierung von strukturierten Ausgaben. Wenn Ihre Pipeline JSON mit einem Schema erwartet, das niemals variieren darf, bringen gut geschriebene Anweisungen Sie zwar in die Nähe, garantieren aber nie eine 100%ige Compliance; systematisch konforme Beispiele reduzieren diese Lücke auf nahezu Null.
Diese beiden Treiber führen mechanisch zu zwei weiteren. Ein feinabgestimmtes Modell, das mit einem kurzen Prompt abgefragt wird, reagiert schneller als ein Basismodell, das mit einem langen Systemprompt belastet ist, was die vom Nutzer wahrgenommene Latenz reduziert; und weniger Eingabetokens bedeuten bei gleichem Volumen eine geringere Abrechnung, was zu einer Kostensenkung führt, die sich direkt auf einen Dienst auswirkt, der mehrere tausend Anfragen pro Tag verarbeitet.
Zwei weitere Aufgabenfamilien heben sich hervor, bei denen die Feinabstimmung hervorragend funktioniert. Die erste umfasst Klassifizierungsaufgaben: Kategorisierung von Support-Tickets, Analyse der Stimmung, Sortierung von Dokumenten. Die erwartete Ausgabe hier ist kurz, geschlossen und wird perfekt durch Beispiele illustriert. Die zweite ist das konsistente Funktionsaufrufen: Wenn das Modell systematisch die richtigen Funktionen mit den richtigen Parametern aufrufen muss, funktioniert es besser, ihm hundert korrekte Aufrufe zu zeigen, als die Regel zu beschreiben.
Im Gegensatz dazu sollten Sie in vier Situationen von der Feinabstimmung absehen. Wenn Sie wenige Daten haben, unter 50 Beispielen, wird das Prompt Engineering mit ein paar Few-Shot-Beispielen für deutlich weniger Aufwand bessere Ergebnisse liefern. Wenn sich Ihr Bereich schnell ändert, mit einem Produktkatalog oder Preisen, die wöchentlich wechseln, wird RAG (Retrieval-Augmented Generation) Sie davor bewahren, ständig neu zu trainieren. Die häufigste Verwirrung entsteht beim Versuch, faktisches Wissen einzuspeisen: Feinabstimmung lehrt Verhaltensweisen, keine Fakten, und hier ist RAG erneut das richtige Werkzeug. Schließlich, wenn das Prompt Engineering ausreicht, wenn ein paar sorgfältig gestaltete Anweisungen bereits gute Ergebnisse liefern, sollten Sie Ihre Pipeline nicht unnötig komplizieren.
Feinabstimmung versus Alternativen
Diese drei Ansätze sind keine Konkurrenten: Sie adressieren unterschiedliche Bedürfnisse und kombinieren sich sehr gut, beispielsweise ein feinabgestimmtes Modell für die Formatierung, das von RAG für Fakten gespeist wird.
| Ansatz | Ideal für | Einschränkungen |
|---|---|---|
| Prompt Engineering | Schnelle Prototypen, vielfältige Aufgaben | Verbraucht Tokens, variable Ergebnisse |
| RAG | Dynamisches Wissen, Dokumentenbasen | Erhöhte Latenz, Infrastrukturkomplexität |
| Feinabstimmung | Stabile Verhaltensweisen, Ton, Format, Klassifizierung | Erfordert Daten, Trainingskosten |
Typischer Arbeitsablauf
Der Rest dieses Kurses folgt der Reihenfolge, in der Sie diese Schritte tatsächlich ausführen werden. Nehmen Sie sich vor dem Weiterlesen ein paar Minuten Zeit, um den ersten Schritt aufzuschreiben: Die Formulierung des gewünschten Verhaltens in einem einzigen Satz spart Ihnen das Sammeln von Daten willkürlich.
- Bedarf identifizieren: Welches Verhalten soll das Modell systematisch annehmen?
- Daten sammeln: Sammeln Sie mindestens 50 bis 100 Beispiele idealer Dialoge.
- JSONL vorbereiten: Formatieren Sie Ihre Daten gemäß dem Schema, das die API erwartet.
- Training starten: Erstellen Sie einen Feinabstimmungs-Job über
client.fine_tuning.jobs.create(). - Auswerten: Vergleichen Sie die Leistung des feinabgestimmten Modells mit der des Basismodells.
- Iterieren: Passen Sie Ihre Daten an und führen Sie das Training ggf. erneut durch.
Kernaussagen
- Die Feinabstimmung verändert das Verhalten des Modells, nicht sein faktisches Wissen.
- Sie macht Sinn, wenn Sie über ausreichende Daten verfügen und ein Bedürfnis nach Konsistenz besteht.
- Beginnen Sie immer mit dem Prompt Engineering – feinstimmen Sie nur, wenn dies nicht ausreicht.
- Die Liste der feinabstimmbaren Modelle entwickelt sich mit dem Katalog von OpenAI – prüfen Sie die offizielle Dokumentation, bevor Sie einen Job starten.