---
title: "Was sind Frequency und Presence Penalty bei LLMs? | BroadRouter"
description: "Frequency und Presence Penalty senken die Chancen bereits genutzter Tokens, um Wiederholungen zu vermeiden. Unterschiede, Wertebereiche und repetition_penalty."
url: https://broadrouter.com/de/glossary/frequency-and-presence-penalty/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/frequency-and-presence-penalty/) (aktualisiert am 2026-11-15).

# Frequency Penalty und Presence Penalty

Aktualisiert 2026-11-15

Frequency Penalty und Presence Penalty sind Sampling-Einstellungen, die den Score von Tokens senken, die schon im Output stehen. Die Presence Penalty greift einmal, sobald ein Token überhaupt vorkam; die Frequency Penalty wächst mit jeder Wiederholung. In der API von OpenAI reichen beide von -2.0 bis 2.0, Standardwert 0.

Auch genannt: Frequency Penalty, Presence Penalty, Wiederholungsstrafe, Häufigkeitsstrafe, Repetition Penalty, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

Ein Modell in einer Schleife wiederholt dieselbe Phrase, bis ihm die Tokens ausgehen. Penalties sind eine grobe Abhilfe, die beim Sampling ansetzt.

## So funktioniert es

Bevor das nächste [Token](https://broadrouter.com/de/glossary/token/) gezogen wird, passt der Server die Scores der bereits erzeugten Tokens an.

| Einstellung | Was sie laut vLLM-Dokumentation bestraft | Bereich und Standardwert |
| --- | --- | --- |
| `presence_penalty` | Tokens „based on whether they appear in the generated text so far“ (Übersetzung: „danach, ob sie im bisher erzeugten Text vorkommen“) | OpenAI: -2.0 bis 2.0, Standard 0 |
| `frequency_penalty` | Tokens „based on their frequency in the generated text so far“ (Übersetzung: „nach ihrer Häufigkeit im bisher erzeugten Text“) | OpenAI: -2.0 bis 2.0, Standard 0 |
| `repetition_penalty` | Tokens „based on whether they appear in the prompt and the generated text so far“ (Übersetzung: „danach, ob sie im Prompt und im bisher erzeugten Text vorkommen“) | vLLM und Hugging Face: 1.0 bedeutet keine Strafe |

Positive Werte drängen weg von schon genutzten Tokens; negative Werte machen Wiederholungen wahrscheinlicher. Laut OpenAI senkt eine positive Frequency Penalty „the model’s likelihood to repeat the same line verbatim“ (Übersetzung: „die Wahrscheinlichkeit, dass das Modell dieselbe Zeile wörtlich wiederholt“), und eine positive Presence Penalty erhöht „the model’s likelihood to talk about new topics“ (Übersetzung: „die Wahrscheinlichkeit, dass das Modell über neue Themen spricht“). Für `repetition_penalty` schreibt vLLM, dass Werte über 1 neue Tokens bevorzugen und Werte unter 1 Wiederholungen. Die Dokumentation von Hugging Face verweist für diese Penalty auf das CTRL-Paper.

```json
{"model": "...", "messages": [...], "frequency_penalty": 0.5, "presence_penalty": 0.3}
```

## Warum es wichtig ist

-   **Schleifen in langen Outputs.** Agenten und lange Zusammenfassungen können in sich wiederholenden Text geraten. Eine kleine Penalty kann die Schleife brechen, und ein hartes Limit über [max\_tokens](https://broadrouter.com/de/glossary/max-tokens/) begrenzt den Schaden.
-   **Nebenwirkungen.** Penalties wirken auf Tokens, nicht auf Ideen. Eine starke Penalty kann ein Modell daran hindern, Wörter wiederzuverwenden, die es braucht, etwa einen Variablennamen im Code, einen JSON-Key oder einen Namen in einem arabischen Text, der sich bewusst wiederholt. Beginnen Sie bei 0 und ändern Sie in kleinen Schritten.
-   **Überschneidung mit dem Sampling.** Auch [Temperatur](https://broadrouter.com/de/glossary/temperature/) und [Top-p](https://broadrouter.com/de/glossary/top-p/) verändern die Vielfalt. Ändern Sie beim Testen immer nur eine Einstellung.

## Bei BroadNet Inference

Die [API-Referenz](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-frequency-and-presence-penalty&utm_content=body) von BroadNet dokumentiert `frequency_penalty`, `presence_penalty` und `repetition_penalty` nicht. Testen Sie die Felder, bevor Sie sich darauf verlassen: Senden Sie einen Prompt, der zu Wiederholungen neigt, einmal mit und einmal ohne das Feld, und vergleichen Sie. Treten Wiederholungen in langen Läufen auf, versuchen Sie einen klareren Prompt oder ein niedrigeres Output-Limit, oder stoppen Sie den Lauf und setzen Sie ihn an einem Checkpoint fort; der [Beitrag zu nächtlichen Agenten-Läufen](https://broadrouter.com/de/blog/overnight-coding-agent-runs/) beschreibt dieses Muster.

## Häufige Fehler

-   Penalties hoch ansetzen, um ein Prompt-Problem zu lösen. Wiederholungen bedeuten oft, dass das Modell keinen klaren Endpunkt hat.
-   Eine Penalty bei strukturierter Ausgabe verwenden, wo sich Keys wiederholen müssen.

## Häufige Fragen

### Was ist der Unterschied zwischen Frequency und Presence Penalty?

Die Presence Penalty fragt „Ist dieses Token schon vorgekommen?“ und greift einmal. Die Frequency Penalty fragt „Wie oft?“ und wächst mit jeder Wiederholung. vLLM beschreibt beide als Strafe für Tokens danach, ob sie im bisherigen Text vorkommen, und nach ihrer Häufigkeit darin.

### Ist repetition\_penalty dasselbe?

Nein. Es ist ein eigener Multiplikator in vLLM und Hugging Face, bei dem 1.0 keine Strafe bedeutet. vLLM wendet ihn auf Tokens im Prompt und im Output an, nicht nur im Output.

### Unterstützt BroadNet Inference diese Penalties?

Die API-Referenz von BroadNet dokumentiert frequency\_penalty, presence\_penalty und repetition\_penalty nicht. Testen Sie sie, bevor Sie sich darauf verlassen.

## Siehe auch

-   [Temperatur (Temperature)](https://broadrouter.com/de/glossary/temperature/) (Begriff)
-   [Top-p (Nucleus Sampling)](https://broadrouter.com/de/glossary/top-p/) (Begriff)
-   [Token](https://broadrouter.com/de/glossary/token/) (Begriff)
-   [Logprobs (Log-Wahrscheinlichkeiten)](https://broadrouter.com/de/glossary/logprobs/) (Begriff)
-   [Seed-Parameter](https://broadrouter.com/de/glossary/seed-parameter/) (Begriff)
-   [Coding-Agenten sicher und unbeaufsichtigt über Nacht laufen lassen](https://broadrouter.com/de/blog/overnight-coding-agent-runs/) (Artikel)
-   [Agenten-Token-Budget: wohin die Tokens einer Agenten-Schleife gehen](https://broadrouter.com/de/blog/agent-token-budget/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-frequency-and-presence-penalty&utm_content=page-cta) ·

**Quellen**

-   [OpenAI-API-Referenz, Chat Completion erstellen (frequency\_penalty, presence\_penalty) (geprüft am 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [vLLM-Dokumentation, SamplingParams (Presence, Frequency und Repetition Penalty) (geprüft am 2026-11-15)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
-   [Keskar et al., CTRL: A Conditional Transformer Language Model for Controllable Generation, arXiv 1909.05858 (geprüft am 2026-11-15)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig (repetition\_penalty) (geprüft am 2026-11-15)](https://huggingface.co/docs/transformers/main_classes/text_generation)
