---
term: "Training"
slug: "training"
glossar_id: "G091"
variants: ["Modelltraining"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Lernen beziehungsweise Anpassen von Modellparametern anhand von Daten."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "PyTorch Autograd Tutorial"
    url: "https://docs.pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html"
  - label: "Hugging Face Glossary"
    url: "https://huggingface.co/docs/transformers/en/glossary"
status: "entwurf"
updated: "2026-09-20"
---

Training ist der Prozess, bei dem ein Modell seine internen Zahlenwerte anhand von Beispielen anpasst. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Diese lernbaren Parameter bestimmen mit, wie es Eingaben verarbeitet und welche Vorhersagen es erzeugt. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Angenommen, du möchtest eingehende Kundenanfragen nach „Rechnung“, „Lieferung“ und „Reklamation“ sortieren lassen. Dafür stellst du Beispielanfragen mit den gewünschten Kategorien zusammen.

Das Modell bekommt eine Anfrage, berechnet eine Zuordnung und erhält eine mathematisch ausgedrückte Rückmeldung zur Abweichung. Stell dir den Ablauf wie das wiederholte Justieren vieler miteinander verbundener Regler vor: Eine andere Stellung soll beim nächsten Durchgang passendere Ergebnisse liefern. Die Regler sind Zahlenwerte, keine bewusst gelernten Regeln eines Mitarbeiters.

## Was dabei gerechnet wird

Beim gradientenbasierten Training eines neuronalen Netzes wird zunächst eine Ausgabe berechnet und mit einem Trainingsziel über eine Verlustfunktion verglichen. ([PyTorch Autograd Tutorial](https://docs.pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html)) Die anschließende Rückwärtsrechnung ermittelt Gradienten, also Hinweise darauf, wie Änderungen einzelner Parameter den Verlust beeinflussen; ein Optimierer verwendet sie für die eigentliche Anpassung. ([PyTorch Autograd Tutorial](https://docs.pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html))

Die Zielwerte müssen nicht immer von Menschen beschriftet sein: Beim selbstüberwachten Sprachmodelltraining können sie aus dem Text selbst entstehen, beispielsweise aus dem jeweils folgenden Token. ([Hugging Face Glossary](https://huggingface.co/docs/transformers/en/glossary))

## Eine gute Trainingskurve genügt nicht

Ein Modell kann Trainingsbeispiele sehr gut wiedergeben und trotzdem bei neuen Fällen schlecht abschneiden; das ist Überanpassung. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Prüfe deshalb getrennt, ob das Ergebnis auf noch nicht verwendeten, für deinen Einsatz relevanten Beispielen funktioniert.

Ein neuer Prompt ist nicht automatisch neues Training: Fine-Tuning verändert Modellparameter, während ein Prompt zunächst eine Eingabe für die Anwendung des vorhandenen Modells ist. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Frage bei einem Angebot zum „Anlernen“ daher konkret nach, was gespeichert, abgerufen und tatsächlich weitertrainiert wird.

## Verwandte Begriffe

Zum Ablauf gehören **Model Parameters**, **Loss**, **Backpropagation** und **Optimizer**; wichtige Varianten sind **Pretraining** und **Fine-Tuning**.