---
term: "Supervised Fine-Tuning"
slug: "supervised-fine-tuning"
glossar_id: "G100"
variants: ["SFT"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Weitertraining anhand gewünschter Eingabe-Ausgabe-Beispiele."
sources:
  - label: "Hugging Face LLM Course"
    url: "https://huggingface.co/learn/llm-course/en/chapter11/3"
  - label: "Hugging Face PEFT"
    url: "https://huggingface.co/docs/peft/en/index"
status: "entwurf"
updated: "2026-09-20"
---

Supervised Fine-Tuning, kurz SFT, trainiert ein vortrainiertes Modell mit Beispielen für gewünschte Eingaben und Ausgaben weiter. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Bei einem Sprachassistenten können solche Beispiele aus einer Anweisung, zusätzlichem Kontext und einer passenden Musterantwort bestehen. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3))

## So kannst du dir das vorstellen

Du möchtest Reklamationen zusammenfassen lassen. Ein Trainingsbeispiel könnte eine lange Nachricht enthalten und dazu eine geprüfte Kurzfassung mit den Feldern „Problem“, „betroffenes Produkt“ und „offene Rückfrage“.

Viele solcher Beispiele würden zeigen, welches Ergebnis gewünscht ist. Für den späteren Test solltest du andere Nachrichten verwenden, darunter unvollständige Angaben und ungewohnte Formulierungen. Die richtige Wiedergabe der bekannten Mustertexte allein wäre noch kein überzeugender Nachweis.

## Woher die Aufsicht kommt

„Supervised“ bedeutet hier, dass der Trainingsdatensatz Zielausgaben vorgibt, an denen sich das Modell orientiert. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Es heißt nicht, dass während jedes Rechenschritts ein Mensch zusieht oder jede spätere Antwort freigibt.

Für Dialogmodelle müssen die Beispiele zum erwarteten Nachrichtenformat passen; Chat Templates setzen Rollen und Inhalte in die vom jeweiligen Modell vorgesehene Darstellung um. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Eine gute Antwort im falschen technischen Format wäre deshalb ein vermeidbares Problem der Datenaufbereitung.

## Gute Vorlagen und neue Fälle

Der Hugging-Face-Kurs empfiehlt vielfältige, hochwertige Beispiele und getrennte Evaluationen, die unter anderem Aufgabenqualität, Formatbefolgung und erhaltenes Wissen untersuchen. ([Hugging Face LLM Course](https://huggingface.co/learn/llm-course/en/chapter11/3)) Besonders achten solltest du auf widersprüchliche Vorgaben: Soll eine fehlende Information leer bleiben, als unbekannt markiert oder durch eine Rückfrage geklärt werden?

SFT legt das Lernsignal fest, nicht zwingend den Umfang der veränderten Gewichte; parameter-effiziente Anpassungsverfahren können dafür eingesetzt werden. ([Hugging Face PEFT](https://huggingface.co/docs/peft/en/index)) Dokumentiere deshalb Datenformat und Anpassungsmethode getrennt.

## Verwandte Begriffe

Passend dazu sind **Fine-Tuning**, **Instruction Tuning**, **Instruction Dataset**, **Chat Template** und **Parameter-Efficient Fine-Tuning**.