Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Instruct-Modell

Ein Instruct-Modell ist ein Basis-Sprachmodell, das zusätzlich auf Anweisungen mit guten Antworten und oft auf menschlichem Feedback trainiert wurde, sodass es Anfragen befolgt, statt nur Text fortzusetzen.

Auch: instruction-tuned model, -Instruct, chat model

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Wenn ein Modellname auf -Instruct, -it oder -chat endet, ist es meist die auf Anweisungen abgestimmte Version eines Basismodells aus derselben Veröffentlichung. Das Basismodell setzt nur Text fort. Das Instruct-Modell hat gelernt, eine Anfrage zu lesen und zu beantworten.

Wie es entsteht

Ausgehend von einem vortrainierten Modell führt der Entwickler Supervised Fine-Tuning mit Beispielen aus Anweisungen und den gewünschten Antworten durch. Googles FLAN-Paper zeigte, dass dieses Instruction Tuning Modelle bei ungesehenen Aufgaben deutlich besser machte. Die InstructGPT-Arbeit von OpenAI ergänzte dann einen Schritt, in dem Menschen Modellausgaben bewerteten und das Modell per RLHF weiter abgestimmt wurde. Neuere Modelle nutzen stattdessen oft DPO oder ähnliche Methoden. Instruct-Modelle lernen auch ein Chat-Template: spezielle Tokens, die System-, Nutzer- und Assistenten-Beiträge markieren.

Base oder Instruct

Für die meisten Apps nimmst du das Instruct-Modell. Es folgt einem System-Prompt, beantwortet Fragen, nutzt Tools und lehnt manche Anfragen ab. Wähle das Basismodell, wenn du von einem neutralen Ausgangspunkt aus selbst feinabstimmen willst oder reine Textfortsetzung brauchst, etwa für Autovervollständigung.

Worauf du achten solltest

Nutze das Chat-Template, mit dem das Modell trainiert wurde. Viele lokale Runner wenden es für dich an, aber ein falsches Template ist ein häufiger Grund, warum ein offenes Instruct-Modell seltsame Antworten gibt. Instruction Tuning verändert das Verhalten auch auf Weisen, die du vielleicht nicht willst, etwa lange Antworten oder Ablehnungen, und es macht ein Modell nicht von selbst wahrheitsgetreuer.

Verwandte Begriffe

Basismodell
Ein Basismodell (Base Model) ist ein Sprachmodell direkt aus dem Pretraining, vor Instruction Tuning oder Training mit menschlichem Feedback. Es setzt jeden Text fort, den es bekommt, statt Anweisungen zu befolgen oder ein Gespräch zu führen.
Supervised Fine-Tuning
Supervised Fine-Tuning (SFT, überwachtes Feinabstimmen) trainiert ein vortrainiertes Modell weiter mit Beispiel-Prompts, die mit den gewünschten Antworten gepaart sind. Es ist der übliche erste Schritt, der aus einem Basismodell eines macht, das Anweisungen befolgt.
RLHF
RLHF (Reinforcement Learning from Human Feedback, bestärkendes Lernen aus menschlichem Feedback) feinjustiert ein Sprachmodell anhand menschlicher Rangfolgen seiner Antworten: Ein Reward Model lernt diese Präferenzen, dann schiebt Reinforcement Learning das Modell zu Antworten, die gut bewertet werden.
System-Prompt
Ein System-Prompt ist der Block von Anweisungen, den eine Anwendung vor den Nachrichten des Nutzers an ein Sprachmodell schickt. Er legt Rolle, Regeln, Ton und Ausgabeformat des Modells für die ganze Unterhaltung fest.
Pretraining
Pretraining (Vortraining) ist die erste und größte Phase im Training eines Modells, in der es allgemeine Muster aus einem sehr großen, nicht gelabelten Datensatz lernt, meist durch Vorhersage des nächsten Tokens, noch vor jeder aufgabenspezifischen Anpassung.

Quellen