KI-Glossar.
Kurz erklärt.
Token, RAG oder API: Finde die Bedeutung, ein Beispiel und die passende Anleitung.
25 Begriffe · alphabetisch
A–Z öffnen
Kein passender Begriff gefunden.
Versuche einen kürzeren Ausdruck oder setze Suche und Themenfilter zurück. Alle 25 Begriffe bleiben ohne Anmeldung zugänglich.
API
Eine API ist eine festgelegte Schnittstelle, über die Programme auf Funktionen oder Daten anderer Software zugreifen können. Sie beschreibt zum Beispiel, wie eine Anfrage aufgebaut sein muss und welche Antwort zurückkommt.
Zum Beispiel: Eine Chat-App sendet eine Frage an einen Modelldienst. Dessen API legt das Format der Anfrage und der Antwort fest.
Eine API ist eine Schnittstelle; sie ist nicht das Modell selbst.
Benchmark
Ein Benchmark ist ein festgelegtes Testverfahren. Er prüft ausgewählte Aufgaben unter bestimmten Bedingungen – etwa richtige Antworten, menschliche Vorlieben oder Geschwindigkeit.
Zum Beispiel: Zwei Modelle bearbeiten dieselben Aufgaben. Für einen sinnvollen Vergleich müssen auch Einstellungen und Auswertung zusammenpassen.
Ein einzelner Score ist kein allgemeines Qualitätsurteil.
Embedding
Ein Embedding stellt einen Inhalt als Zahlenvektor dar. Damit kann eine Anwendung nach ähnlichen Inhalten suchen, auch wenn sie unterschiedlich formuliert sind.
Zum Beispiel: „Rechnung fehlt“ und „Beleg nicht erhalten“ können in einer passenden Suche ähnliche Treffer liefern. Das hängt vom Modell und den Daten ab.
Ähnlichkeit ist kein Beweis für die Richtigkeit eines Inhalts.
Fehlerquote
Die Fehlerquote ist der Anteil der geprüften Fälle, die ein festgelegtes Kriterium nicht erfüllen. Was als Fehler zählt und wie viele Fälle geprüft wurden, gehört zur Angabe dazu.
Zum Beispiel: In einem fiktiven Test erfüllen zwei von zehn Antworten das Kriterium nicht. Für genau diese Fälle beträgt die Fehlerquote 20 Prozent.
Diese Quote lässt sich nicht ohne Weiteres auf andere Aufgaben übertragen.
Fine-Tuning
Fine-Tuning ist zusätzliches Training eines vorhandenen Modells mit ausgewählten Daten. Dabei werden Modellparameter oder dafür vorgesehene Anpassungen trainiert.
Zum Beispiel: Ein Modell wird mit freigegebenen Beispielantworten weitertrainiert, damit es eine bestimmte Aufgabe anders bearbeitet.
Ein Dokument im Chat hochzuladen ist für sich genommen kein Fine-Tuning.
Gehostetes Modell
Ein gehostetes Modell wird auf der Infrastruktur eines Anbieters oder Hostingpartners ausgeführt. Deine Anwendung greift über einen bereitgestellten Zugang darauf zu.
Zum Beispiel: Die Chat-App läuft auf deinem Rechner, die eigentliche Modellberechnung auf einem entfernten Server.
Der Ausführungsort allein sagt noch nicht, welche Daten die ganze Anwendung überträgt.
Halluzination
Eine KI-Halluzination ist eine plausibel wirkende, aber falsche oder nicht durch die maßgebliche Quelle gedeckte Ausgabe. Flüssige Sprache macht eine Aussage noch nicht verlässlich.
Zum Beispiel: In einer Notiz steht kein Lieferdatum. Die Zusammenfassung ergänzt trotzdem einen konkreten Termin.
Ein fehlender Nachweis ist zunächst eine offene Prüffrage, nicht automatisch der Beweis einer Erfindung.
Inferenz
Ein trainiertes Modell verarbeitet eine neue Eingabe und berechnet ein Ergebnis. Dieser Rechenschritt ist nicht automatisch ein erneutes Training.
Zum Beispiel: Ein trainiertes Sprachmodell kürzt eine neue Notiz. Diese konkrete Berechnung der Antwort ist ein Inferenzvorgang.
Eine neue Antwort bedeutet nicht automatisch, dass das Modell dabei weitertrainiert wird.
Konfidenzintervall
Ein Konfidenzintervall beschreibt die Unsicherheit einer statistischen Schätzung. Das Konfidenzniveau bezieht sich auf das Berechnungsverfahren über viele wiederholte Stichproben.
Zum Beispiel: Ein fiktiver Bericht nennt neben einem geschätzten Mittelwert auch eine untere und eine obere Grenze. Erst Methode und Daten machen diese Spanne interpretierbar.
Das ist keine Richtigkeitswahrscheinlichkeit einer einzelnen KI-Antwort.
Kontextfenster
Der begrenzte Zusammenhang, den ein Modell bei einer Anfrage verarbeiten kann. Auch Anweisungen, Verlauf und beigefügte Informationen können Platz belegen.
Zum Beispiel: In einem fiktiven 8.192-Token-Budget bleiben nach 6.100 Tokens Eingabe und 1.500 geplanter Ausgabe rechnerisch 592 Tokens übrig.
Wie Eingabe und Ausgabe gegen konkrete Grenzen zählen, hängt vom Modellzugang ab.
Lizenz
Eine Lizenz legt Bedingungen für die Nutzung von Software, Gewichten oder Inhalten fest. Nutzung, Änderung und Weitergabe können dabei unterschiedlich geregelt sein.
Zum Beispiel: Vor einem Modellprojekt prüfst du getrennt, ob du das Paket für deinen Zweck einsetzen, verändern und weitergeben darfst.
Ein öffentlich erreichbarer Download ist keine pauschale Erlaubnis für jeden Einsatz.
LLM
LLM steht für Large Language Model, also ein großes Sprachmodell. Es verarbeitet Sprache und erzeugt zum Beispiel Text, indem es eine Ausgabe Schritt für Schritt berechnet.
Zum Beispiel: Eine Chat-Anwendung verwendet ein LLM, um aus einer Notiz einen Textentwurf zu erzeugen.
Modell, Chat-App und Anbieter sind unterschiedliche Dinge.
Modell-ID
Eine Modell-ID ist die genaue Kennung einer Modellversion oder eines Modellzugangs. Sie hilft, die tatsächlich verwendete Variante nachvollziehbar festzuhalten.
Zum Beispiel: Statt nur einen Produktnamen zu notieren, hältst du die genaue Anbieter-ID aus deinem Aufruf fest.
Ein Alias kann später auf eine andere Version zeigen.
Modellkarte
Eine Modellkarte, auch Model Card, dokumentiert ein Modell: etwa vorgesehene Nutzung, Grenzen, Herkunft, Training und Evaluation. Welche Angaben enthalten sind, unterscheidet sich je Karte.
Zum Beispiel: Vor einem Einsatz liest du, wofür das Modell vorgesehen ist und welche Einschränkungen der Herausgeber nennt.
Die Karte ist Dokumentation und kein unabhängiges Gütesiegel.
Multimodal
Multimodal bedeutet, dass ein Modell mehr als eine Datenart verarbeitet oder erzeugt, etwa Text, Bild oder Audio. Unterstützte Eingaben und mögliche Ausgaben müssen getrennt betrachtet werden.
Zum Beispiel: Ein Modell erhält ein Bild und beantwortet dazu eine Textfrage. Das zeigt Bildeingabe, aber noch keine Bilderzeugung.
Nicht jede Kombination von Text, Bild, Audio und Video wird unterstützt.
Open Weights
Bei Open Weights sind die Modellgewichte zugänglich. Daraus folgt allein noch nicht, dass das gesamte KI-System offen ist oder welche Nutzungsrechte gelten.
Zum Beispiel: Du kannst Gewichtsdateien beziehen, musst aber zusätzlich Laufzeit, Dokumentation und Lizenz des konkreten Pakets prüfen.
Offene Gewichte sind nicht automatisch gleichbedeutend mit Open Source.
Quantisierung
Quantisierung stellt Zahlen mit geringerer Präzision dar. Bei KI-Modellen kann das zum Beispiel den Speicherbedarf der Gewichte verringern; Eigenschaften der Ausgabe können sich dabei verändern.
Zum Beispiel: Eine Gewichtsvariante nutzt weniger Bits pro Wert als eine andere. Für den tatsächlichen Speicherbedarf zählen auch Format und Laufzeit.
Geringere Präzision bedeutet nicht automatisch weniger Modellparameter.
RAG
Eine Anwendung sucht passende Passagen aus einem Quellenbestand und gibt sie dem Modell für die Antwort mit. Der Quellenbezug muss trotzdem geprüft werden.
Zum Beispiel: In einer fiktiven Geräteausleihe nennt Dokument D1 eine Frist von drei Tagen. Zur Versicherung eines Schadens steht dort nichts.
Eine passende Fundstelle garantiert noch keine richtige Schlussfolgerung.
Reasoning-Aufwand
Reasoning-Aufwand bezeichnet eine Einstellung oder Variante, die den eingesetzten Rechenaufwand vor einer Antwort beeinflusst. Welche Stufen angeboten werden, hängt vom Modellzugang ab.
Zum Beispiel: Ein Zugang bietet verschiedene Aufwandsstufen. Du vergleichst sie an derselben Aufgabe und prüfst Ergebnis, Kosten und Wartezeit.
Mehr Aufwand garantiert keine bessere Antwort für jede Aufgabe.
Strukturierte Ausgabe
Eine strukturierte Ausgabe folgt einem vorgegebenen Format, etwa einem JSON-Schema mit bestimmten Feldern. So kann Software die Antwort gezielter weiterverarbeiten.
Zum Beispiel: Eine Antwort soll genau die Felder „titel“ und „datum“ liefern. Danach werden Format und Inhalt getrennt geprüft.
Ein gültiges Format kann trotzdem falsche Werte enthalten.
Token
Ein Token ist eine Einheit, in die ein Tokenizer Text zerlegt – etwa ein Wortteil, ein Zeichen oder ein ganzes Wort. Die Aufteilung hängt vom verwendeten Modell ab.
Zum Beispiel: „Datenschutz braucht klare Regeln.“ ergibt mit dem im Artikel dokumentierten Beispiel-Tokenizer zehn Tokens, ohne Sondertokens. Andere Tokenizer können anders aufteilen.
Ein KI-Token ist etwas anderes als ein Zugangsschlüssel oder ein Krypto-Token.
Tool Calling
Bei Tool Calling gibt ein Modell einen strukturierten Vorschlag für einen Werkzeugaufruf aus. Die umgebende Software prüft und verarbeitet diesen Vorschlag und kann das Werkzeug ausführen.
Zum Beispiel: Das Modell fordert eine Suche mit bestimmten Suchbegriffen an. Die Anwendung entscheidet, ob und wie sie diese Suche ausführt.
Der Modellvorschlag ist noch keine ausgeführte Aktion.
VRAM
VRAM bezeichnet den Grafikspeicher. Bei lokaler KI müssen dort je nach Betriebsart Gewichte, Kontextcache und weitere Laufzeitdaten Platz finden.
Zum Beispiel: Dass ein Modell auf deine Festplatte passt, sagt noch nicht, ob es auch in den verfügbaren Grafikspeicher passt.
Grafikspeicher und Arbeitsspeicher des Rechners sind nicht dasselbe.
Weight Decay
Bei Weight Decay werden Gewichte während des Trainings zusätzlich in Richtung null verändert. Wie dieser Anteil mit dem übrigen Lernschritt zusammenspielt, hängt vom Optimierer ab.
Zum Beispiel: AdamW führt den Weight-Decay-Anteil getrennt von den Momentenschätzungen aus. Die gewählte Stärke beeinflusst diesen Anteil.
Das ist eine Trainingsmethode, keine Quantisierung oder Änderung der Parameterzahl.
Zero-Shot
Zero-Shot bedeutet, dass eine Aufgabe ohne Demonstrationsbeispiele in der konkreten Anfrage bearbeitet wird. Das Modell erhält eine Anweisung, aber kein vorgemachtes Lösungsmuster.
Zum Beispiel: „Fasse diese Notiz in drei Stichpunkten zusammen“ ist eine solche Anweisung, wenn kein Beispiel mitgegeben wird.
Ohne Beispiele in der Anfrage bedeutet nicht ohne vorheriges Training.
Häufige Fragen
Wie finde ich einen Begriff im KI-Glossar?
Suche nach dem Begriff oder einem passenden Ausdruck, etwa „Model Card“ oder „Grafikspeicher“. Du kannst außerdem einen Themenbereich wählen oder über A–Z springen. Ohne JavaScript bleiben alle Definitionen und Sprunglinks lesbar.
Was steht hinter den Kurzdefinitionen?
Jeder Eintrag erklärt den Begriff, zeigt ein kleines Beispiel und nennt eine wichtige Grenze. Wo ein passender fertiger Guide vorhanden ist, führt ein Link zur ausführlichen Anleitung.
Sind die Definitionen vollständige technische Spezifikationen?
Nein. Sie helfen beim Einstieg und beim Lesen der Guides. Für eine konkrete Modellversion oder Schnittstelle prüfe die Dokumentation des jeweiligen Anbieters; unterstützte Funktionen und Grenzen können sich unterscheiden.
Wie komme ich von der Erklärung zur eigenen Anwendung?
Die verlinkten Guides und Lernmodule zeigen konkrete nächste Schritte. Die Objektbilder veranschaulichen Begriffe; sie sind keine eigenen Messwerte oder Nachweise für Modellleistung.
Probier es selbst aus.
Im Lernpfad KI von Grund auf verstehen kannst du die Begriffe mit kleinen Aufgaben prüfen.
Für konkrete Aufgaben gibt es Praxisprojekte; Versionen und Zugänge findest du im Modellverzeichnis. Über alle Lernpfade wählst du eine passende Reihenfolge.
Quellen und Stand
- API · MDN
- Begriffe · Google ML
- Model Cards · Hugging Face
- Konfidenzintervalle · NIST
- Weight Decay · PyTorch
- Tool Calling · Anthropic
Überarbeitet am 28. Oktober 2026. Die Beispiele dienen dem Lernen; die genaue Tokenzerlegung ist im verlinkten Artikel dokumentiert. Redaktionelle Objektbilder veranschaulichen Begriffe und zeigen keine eigenen Messungen. Weitere Belege stehen in den jeweiligen Guides.