---
title: "Was ist die Temperatur bei LLMs? Zufall beim Sampling"
description: "Die Temperatur steuert, wie zufällig die Antwort eines LLM ausfällt. Wie sie Token-Wahrscheinlichkeiten ändert, welche Werte passen, warum 0 nicht ganz fix ist."
url: https://broadrouter.com/de/glossary/temperature/
lang: de
updated: 2026-11-14
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/temperature/) (aktualisiert am 2026-11-14).

# Temperatur (Temperature)

Aktualisiert 2026-11-14

Die Temperatur ist ein Sampling-Parameter, der steuert, wie zufällig der Output eines Sprachmodells ist. Das Modell teilt seine Token-Scores durch die Temperatur, bevor es sie in Wahrscheinlichkeiten umrechnet: Niedrige Werte lassen das wahrscheinlichste Token dominieren, hohe Werte glätten die Verteilung, sodass seltenere Tokens öfter gewählt werden.

Auch genannt: Temperatur, Temperatur-Parameter, LLM-Temperatur, Sampling-Temperatur, temperature, sampling temperature, LLM temperature, temperature parameter

Die Temperatur ist der Regler zwischen „immer dieselbe Antwort“ und „jedes Mal eine andere Antwort“.

## So funktioniert es

Ein Modell berechnet für jedes [Token](https://broadrouter.com/de/glossary/token/), das es als Nächstes schreiben könnte, einen Score (ein Logit). Eine Softmax-Funktion macht aus den Scores Wahrscheinlichkeiten. Die Temperatur teilt vorher jeden Score. Hinton und Kollegen schreiben die Softmax mit diesem T und halten fest: „using a higher value for T produces a softer probability distribution over classes“ (Übersetzung: „ein höherer Wert für T erzeugt eine weichere Wahrscheinlichkeitsverteilung über die Klassen“).

-   **T unter 1** schärft die Verteilung. Das wahrscheinlichste Token gewinnt öfter.
-   **T = 1** lässt die Wahrscheinlichkeiten so, wie das Modell trainiert wurde.
-   **T über 1** glättet sie. Seltene Tokens werden öfter gewählt.
-   **T nahe 0** nähert sich dem Greedy Decoding: Es wird immer das wahrscheinlichste Token genommen.

Die API von OpenAI akzeptiert Werte „between 0 and 2“ (Übersetzung: „zwischen 0 und 2“) mit dem Standardwert 1. Laut Referenz macht 0,8 den Output „more random“ (Übersetzung: „zufälliger“) und 0,2 „more focused and deterministic“ (Übersetzung: „fokussierter und deterministischer“). Sie empfiehlt außerdem „altering this or `top_p` but not both“ (Übersetzung: „diesen Wert oder `top_p` zu ändern, aber nicht beide“), weil [Top-p](https://broadrouter.com/de/glossary/top-p/) ein zweiter Weg ist, den Zufall zu begrenzen.

Offene Modelle bringen oft eigene Standardwerte mit. Hugging Face Transformers liest die Temperatur aus der `generation_config.json` eines Modells und fällt auf 1.0 zurück, wenn sie fehlt. Ein Serving-Stack kann den einen oder den anderen Wert nutzen.

## Warum es wichtig ist

-   **Wiederholbarkeit.** Extraktion, Routing und [strukturierte Ausgabe](https://broadrouter.com/de/glossary/structured-output/) brauchen stabile Antworten. Eine niedrigere Temperatur verringert die Schwankung zwischen Läufen.
-   **Qualität.** Ist sie zu hoch, driftet das Modell in seltsame Wortwahl oder erfundene Details ab, was [Halluzinationen](https://broadrouter.com/de/glossary/hallucination/) begünstigt. Ist sie zu niedrig, können lange Texte in Schleifen geraten: Hugging Face merkt an, dass Greedy Decoding bei längeren Sequenzen „begins to repeat itself“ (Übersetzung: „beginnt, sich zu wiederholen“).
-   **Evaluierung.** Wenn Sie Modelle vergleichen, halten Sie die Temperatur fest. Sonst messen Sie Sampling-Rauschen. Ein Blick auf die [Logprobs](https://broadrouter.com/de/glossary/logprobs/) zeigt, wie viel Spielraum das Modell hatte.

Die Temperatur ändert weder Preis noch Geschwindigkeit. Ein Token kostet bei jeder Einstellung gleich viel.

## Bei BroadNet Inference

Die [API-Referenz](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-temperature&utm_content=body) von BroadNet dokumentiert `temperature` nicht, weder den erlaubten Bereich noch den Standardwert, für kein Modell. Die Beispielanfragen setzen den Parameter nicht. Da die API OpenAI-kompatibel ist, senden SDKs das Feld mit, aber ob jedes Modell es berücksichtigt, ist nicht angegeben. Setzen Sie den Wert ausdrücklich und führen Sie denselben Prompt mehrmals aus, um die Streuung zu sehen. Die [Anleitung zum OpenAI Python SDK](https://broadrouter.com/de/guides/openai-python-sdk/) zeigt die Einrichtung des Clients.

## Häufige Fehler

-   Temperatur 0 verwenden und davon ausgehen, dass der Output für immer identisch bleibt. Speichern Sie Antworten, die Sie reproduzieren müssen.
-   Die Temperatur erhöhen, um eine falsche Antwort zu reparieren. Ein besserer Prompt oder mehr Kontext verbessert die Genauigkeit; die Temperatur ändert nur die Vielfalt.

## Häufige Fragen

### Welche Temperatur sollte ich verwenden?

Niedrige Werte wie 0 bis 0,3 für Extraktion, Klassifizierung und Code, wo Sie jedes Mal dieselbe Antwort wollen. Höhere Werte wie 0,7 bis 1 für Brainstorming und abwechslungsreiche Formulierungen. Testen Sie beides mit Ihren eigenen Prompts.

### Macht Temperatur 0 den Output deterministisch?

Nicht garantiert. Sie drängt das Modell, jedes Mal das wahrscheinlichste Token zu nehmen, aber Anbieter versprechen im Allgemeinen keinen identischen Output über mehrere Läufe. Speichern Sie jede Antwort, die Sie reproduzieren müssen.

### Welche Standardtemperatur nutzt BroadNet?

Die BroadNet-Dokumentation nennt für kein Modell eine Standardtemperatur. Setzen Sie den Wert in jeder Anfrage ausdrücklich, wenn Ihr Output davon abhängt.

## Siehe auch

-   [Top-p (Nucleus Sampling)](https://broadrouter.com/de/glossary/top-p/) (Begriff)
-   [Logprobs (Log-Wahrscheinlichkeiten)](https://broadrouter.com/de/glossary/logprobs/) (Begriff)
-   [Token](https://broadrouter.com/de/glossary/token/) (Begriff)
-   [Halluzination (KI)](https://broadrouter.com/de/glossary/hallucination/) (Begriff)
-   [Strukturierte Ausgabe (Structured Output)](https://broadrouter.com/de/glossary/structured-output/) (Begriff)
-   [Seed-Parameter](https://broadrouter.com/de/glossary/seed-parameter/) (Begriff)
-   [Frequency Penalty und Presence Penalty](https://broadrouter.com/de/glossary/frequency-and-presence-penalty/) (Begriff)
-   [OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/) (Anleitung)
-   [LangChain mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/langchain-openai-base-url/) (Anleitung)
-   [Wie Sie ein LLM vor dem Anbieterwechsel evaluieren](https://broadrouter.com/de/blog/evaluate-llm-before-switching/) (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-temperature&utm_content=page-cta) ·

**Quellen**

-   [OpenAI-API-Referenz, Chat Completion erstellen (temperature)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Hugging Face Transformers, GenerationConfig (temperature, Standardwerte)](https://huggingface.co/docs/transformers/main/en/main_classes/text_generation)
-   [Hugging Face Transformers, Generierungsstrategien (Greedy Search und Sampling)](https://huggingface.co/docs/transformers/main/en/generation_strategies)
-   [Hinton, Vinyals und Dean (2015), Distilling the Knowledge in a Neural Network (Softmax-Temperatur)](https://arxiv.org/abs/1503.02531)
