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

Safetensors

Safetensors ist ein Dateiformat von Hugging Face zum Speichern von Modellgewichten. Anders als bei Python-Pickle-Dateien kann beim Laden kein versteckter Code ausgeführt werden, und es unterstützt schnelles, speichergemapptes Laden einzelner Tensoren.

Auch: .safetensors

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

Modellgewichte wurden früher meist als PyTorch-Dateien .bin oder .pt geteilt, die das Pickle-Format von Python nutzen. Beim Laden einer Pickle-Datei kann beliebiger Code laufen, ein heruntergeladenes Modell könnte also Malware enthalten. Safetensors wurde gebaut, um dieses Risiko zu beseitigen und das Laden trotzdem schnell zu halten.

So funktioniert es

Eine Safetensors-Datei hat einen kurzen JSON-Header, der Name, Datentyp, Form und Position jedes Tensors auflistet, gefolgt von den rohen Tensor-Bytes. Darin steckt kein Code, nur Daten. Weil das Layout im Voraus bekannt ist, kann ein Loader die Datei in den Speicher mappen und nur die Tensoren lesen, die er braucht, ohne die ganze Datei zu durchsuchen. Das Projekt nennt das Zero-Copy und Lazy Loading, was hilft, wenn ein Modell auf mehrere GPUs verteilt wird.

Warum es wichtig ist

Safetensors ist das übliche Format auf dem Hugging Face Hub und in der Bibliothek Transformers. Wenn ein Repo sowohl Safetensors- als auch Pickle-Dateien anbietet, nimm Safetensors. Es ist eine einfache Abwehr gegen die Art von Angriff auf die KI-Lieferkette, bei der eine vergiftete Modelldatei Code auf deinem Rechner ausführt.

Unterschied zu GGUF

Beide speichern Modellgewichte. Safetensors ist ein neutraler Container, den Python-Stacks für Training und Serving nutzen, mit Gewichten meist in voller oder halber Präzision. GGUF ist das Format von llama.cpp und verwandten lokalen Runnern; es bündelt Metadaten wie den Tokenizer und wird vor allem für quantisierte Modelle genutzt. Oft wird von Safetensors nach GGUF konvertiert, um ein Modell lokal auszuführen.

Grenzen

Safetensors macht das Laden sicher, nicht das Modell selbst. Eine Datei kann trotzdem Gewichte enthalten, die sich schlecht verhalten, und der Code in einem Repo, der sie lädt, kann weiterhin unsicher sein.

Verwandte Begriffe

Modellgewichte
Modellgewichte sind die gelernten Zahlen in einem neuronalen Netz, im Training festgelegt, die bestimmen, wie es Eingaben in Ausgaben verwandelt. Ein Checkpoint ist eine gespeicherte Datei oder ein Satz von Dateien, der diese Gewichte enthält.
GGUF
GGUF ist ein binäres Dateiformat, das die Gewichte, den Tokenizer und die Metadaten eines Modells in einer Datei speichert, gebaut für schnelles Laden und lokale Inferenz mit GGML-basierten Tools wie llama.cpp, oft in quantisierter Form.
KI-Lieferkettenangriff
Ein KI-Lieferkettenangriff (AI Supply-Chain Attack) kompromittiert eine KI-Anwendung über etwas, von dem sie abhängt, etwa ein heruntergeladenes Modell, einen LoRA-Adapter, einen Datensatz, ein Python-Paket, einen MCP-Server oder einen Agent Skill, statt die Anwendung direkt anzugreifen.
Open-Weight-Modell
Ein Open-Weight-Modell (Modell mit offenen Gewichten) ist ein Modell, dessen trainierte Gewichte für alle zum Herunterladen und Ausführen veröffentlicht sind, oft ohne Trainingscode oder vollständige Trainingsdaten. Es ist also nicht unbedingt Open Source.
Quantisierung
Quantisierung ist eine Technik, die die Gewichte eines Modells, manchmal auch Aktivierungen, mit weniger Bits speichert, etwa 8 oder 4 statt 16. Das Modell braucht so weniger Speicher und läuft oft schneller, auf Kosten von etwas Genauigkeit.

Quellen