---
term: "Instruction Tuning"
slug: "instruction-tuning"
glossar_id: "G101"
variants: ["Instruction Fine-Tuning"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Training für bessere Befolgung natürlicher Sprachanweisungen."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "Hugging Face LLM Course"
    url: "https://huggingface.co/learn/llm-course/en/chapter11/3"
status: "entwurf"
updated: "2026-09-20"
---

Instruction Tuning ist die Anpassung eines Modells mit Aufgaben, die als natürlichsprachliche Anweisungen formuliert sind. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Das Ziel ist eine bessere Befolgung solcher Anweisungen, auch bei Aufgaben, die nicht wortgleich im Training vorkamen. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Du stellst eine Sammlung unterschiedlicher Arbeitsaufträge zusammen: „Fasse diesen Text zusammen“, „Ordne die Anfrage einer Kategorie zu“ oder „Formuliere den Hinweis verständlicher“. Zu jedem Auftrag gehört ein Beispiel für eine passende Antwort.

Die Gemeinsamkeit ist nicht der Inhalt, sondern die Verbindung zwischen Anweisung und gewünschter Handlung. Im übertragenen Sinn übt das Modell, einen Arbeitsauftrag in einer Eingabe als solchen zu behandeln, statt einfach nur beliebigen Text fortzusetzen.

## Nähe zu SFT, aber andere Betonung

Supervised Fine-Tuning beschreibt das Weitertraining anhand vorgegebener Zielausgaben, während Instruction Tuning besonders den anweisungsorientierten Aufbau der Aufgaben betont. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary), [Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Ein Trainingslauf kann daher zugleich SFT und Instruction Tuning sein.

Die Beispiele können unterschiedliche Aufgaben, Kontextangaben und Antwortformate enthalten. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Bei der Zusammenstellung würde ich darauf achten, dass eine Aufgabenart nicht versehentlich nur an einer bestimmten Formulierung oder einem immer gleichen Textanfang erkennbar ist.

## Anweisungen befolgen ist nicht jede Antwort wissen

Die ausdrücklich angestrebte Fähigkeit ist das Befolgen von Aufgabenbeschreibungen; davon solltest du die sachliche Richtigkeit einer konkreten Antwort getrennt prüfen. Ein sauber formatiertes Ergebnis wäre in deinem Test noch kein ausreichender Beleg für einen richtigen Inhalt.

Teste deshalb sowohl umformulierte Anweisungen als auch unbekannte Inhalte und Fälle mit fehlenden Informationen. Lege fest, wie das Modell in solchen Fällen reagieren soll, und nimm passende Beispiele in die Datenplanung auf. Ein präziser Auftrag ist hilfreicher als die unscharfe Erwartung, das Modell solle nach dem Training einfach „besser zuhören“.

## Verwandte Begriffe

Zur Einordnung dienen **Supervised Fine-Tuning**, **Instruction Dataset**, **Post-training**, **Fine-Tuning** und **Generalization**.