Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Temperatur

Lektion 9 von 16 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Die Kreativität des Modells steuern
  2. Wie die Temperatur funktioniert
  3. Temperatur mit der Mistral API verwenden
  4. Temperatur 0 ist nicht perfekt deterministisch
  5. Temperatur an den Kontext anpassen
  6. Experimentieren, um die richtige Einstellung zu finden
  7. Kernaussagen

Die Kreativität des Modells steuern

Bisher haben wir uns auf den Inhalt Ihrer Prompts konzentriert. Nun befassen wir uns mit einem weiteren, ebenso wirksamen Hebel: den Generierungsparametern. Der erste und grundlegendste davon ist die Temperatur. Sie wirkt direkt auf die Wahrscheinlichkeitsverteilung der Tokens und bestimmt, ob sich das Modell deterministisch verhält – also vorhersagbare, nahezu identische Antworten von einem Aufruf zum nächsten liefert – oder kreativ, indem es variierte und manchmal überraschende Ausgaben generiert. Derselbe Prompt, der mit zwei unterschiedlichen Temperaturen gesendet wird, kann entweder eine nüchterne technische Spezifikation oder einen Text ergeben, der in unerwartete Richtungen abdriftet. Das Verständnis dieses Parameters ist unerlässlich, um das Verhalten von Mistral-Modellen an jeden Einsatzzweck anzupassen.

Wie die Temperatur funktioniert

Erinnern Sie sich an den grundlegenden Mechanismus: In jedem Generierungsschritt berechnet das Modell eine Wahrscheinlichkeit für jedes mögliche Token und wählt dann eines aus. Die Temperatur verändert die Form dieser Verteilung vor der Auswahl. Bei einer niedrigen Temperatur, nahe bei 0, wird die Verteilung „scharf”: Das Modell konzentriert sich fast ausschließlich auf die wahrscheinlichsten Tokens, wodurch die Antworten vorhersagbar und konsistent werden. Fragen Sie es bei einer Temperatur von 0,1 nach der Hauptstadt Italiens, und Sie erhalten fast jedes Mal den gleichen Satz.

Bei einer hohen Temperatur, nahe bei 1, ist die Verteilung stattdessen „abgeflacht”: Weniger wahrscheinliche Tokens werden wieder zugänglich, das Modell berücksichtigt einen breiteren Bereich möglicher Sequenzen, und die Antworten gewinnen an Vielfalt – manchmal auf Kosten der Kohärenz. Genau das ist für das Brainstorming erwünscht, und genau das möchte man bei der Datenextraktion vermeiden. Die folgende Tabelle fasst die nützlichen Bereiche zusammen.

Temperatur Verhalten Einsatzzwecke
0,0 Quasi-deterministisch, immer das wahrscheinlichste Token Datenextraktion, Klassifizierung, faktenbasierte Antworten
0,1 - 0,3 Sehr vorhersagbar mit leichten Variationen Code-Generierung, Übersetzung, technische Dokumentation
0,4 - 0,6 Ausgleich zwischen Kohärenz und Vielfalt Professionelles Schreiben, Reformulierung, Zusammenfassung
0,7 - 0,8 Kreativ mit guter Kohärenz Brainstorming, Marketingtexte, Storytelling
0,9 - 1,0 Sehr kreativ, überraschend, manchmal inkohärent Dichtung, fiktionale Texte, freie Ideenfindung, Exploration

Temperatur mit der Mistral API verwenden

In der API wird die Temperatur als einfacher Aufrufparameter übergeben. Vergleichen Sie diese beiden Anfragen: Die erste erwartet eine faktenbasierte und stabile Antwort, die zweite sucht nach Vielfalt.

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Niedrige Temperatur: faktenbasierte und deterministische Antwort
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Was ist die ROI-Formel?"}],
    temperature=0.1
)

# Hohe Temperatur: kreative und variierte Antwort
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Erfinden Sie einen Slogan für eine Bio-Kaffee-Marke."}],
    temperature=0.8
)

Temperatur 0 ist nicht perfekt deterministisch

Ein weit verbreiteter Irrtum muss sofort korrigiert werden: Selbst bei temperature=0 können Mistral-Antworten von einer Anfrage zur anderen geringfügige Variationen zeigen. Dies geschieht aufgrund von Hardware-Faktoren – Gleitkomma-Berechnungen, GPU-Parallelisierung –, die winzige Rundungsunterschiede einführen, die ausreichen, um gelegentlich die Auswahl eines Tokens zu kippen. Wenn Sie also automatisierte Tests oder Benchmarks erstellen, bei denen Reproduzierbarkeit kritisch ist, verlassen Sie sich nicht allein auf temperature=0: Kombinieren Sie eine niedrige Temperatur mit einer auf Code-Ebene durchgeführten Prüfung, die den Inhalt der Antwort validiert, nicht ihre exakte Form.

Temperatur an den Kontext anpassen

Schauen wir uns an, wie sich diese Einstellung in drei typischen professionellen Situationen auswirkt. Bei Klassifizierung oder Extraktion möchten Sie, dass dieselbe Kundenbewertung immer dasselbe Urteil liefert: das ist Temperatur 0.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": "Klassifizieren Sie die Stimmung: positiv, neutral, negativ."},
        {"role": "user", "content": "Das Produkt funktioniert korrekt."}
    ],
    temperature=0.0
)

Bei Marketingtexten wäre eine zu mechanische Antwort fade; bei 0,7 variiert das Modell seine Formulierung, bleibt dabei aber kohärent – ideal, um mehrere Hooks zu erstellen und den besten auszuwählen.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": "Sie sind ein kreativer Copywriter."},
        {"role": "user", "content": "Schreiben Sie 3 Hooks für eine E-Mail-Kampagne."}
    ],
    temperature=0.7
)

Beim Brainstorming schließlich gehen Sie bis 0,9: Sie akzeptieren, dass einige Ideen weit hergeholt sein werden, da Sie diese später filtern werden. Zehn Leads mit drei hervorragenden sind besser als fünf Leads, die alle vernünftig und alle bereits bekannte sind.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Vorschlagen Sie 10 innovative Feature-Ideen für eine Fitness-App."}
    ],
    temperature=0.9
)

Experimentieren, um die richtige Einstellung zu finden

Es gibt keine universell optimale Temperatur: Der richtige Wert hängt von Ihrem Prompt, Ihrem Modell und Ihrer Toleranz gegenüber Variabilität ab. Die einzige verlässliche Methode ist Experimentieren, durchgeführt rigoros:

  1. Starten Sie mit dem Standardwert des Modells
  2. Testen Sie Ihren Prompt mit 3–4 Temperaturwerten (0,1; 0,4; 0,7; 0,9)
  3. Vergleichen Sie die Ergebnisse über 5–10 Ausführungen für jeden Wert
  4. Identifizieren Sie den Wert, der für Ihren Fall das beste Verhältnis von Kohärenz zu Vielfalt bietet
  5. Dokumentieren Sie die gewählte Einstellung zusammen mit Ihrem Prompt

Dieser letzte Punkt wird oft übersehen: Ein Produktions-Prompt ohne dokumentierte Temperatur ist ein halb spezifizierter Prompt, den Ihr Kollege mit einer anderen Einstellung wiederverwenden wird und sich fragen wird, warum er andere Ergebnisse erhält.

Kernaussagen

  • Die Temperatur steuert das Kreativitätsniveau des Modells im Verhältnis zur Determiniertheit
  • Niedrige Werte (0–0,3) für faktenbasierte Aufgaben, hohe Werte (0,7–1,0) für kreative Aufgaben
  • Selbst bei Temperatur 0 sind geringfügige Variationen möglich
  • Experimentieren Sie mit mehreren Werten, um die optimale Einstellung zu finden
  • Dokumentieren Sie die verwendete Temperatur immer zusammen mit Ihren Prompts in der Produktion