Was ist Temperature und Top P bei KI? Die Kreativitätseinstellung erklärt

Was ist Temperature und Top P?

Temperature und Top P sind zwei Sampling Einstellungen, die steuern, wie zufällig ein Sprachmodell das nächste Wort (Token) auswählt. Konkret schärft Temperature oder glättet die Wahrscheinlichkeitsverteilung. Andererseits beschränkt Top P die Auswahl auf die wahrscheinlichsten Kandidaten, deren Wahrscheinlichkeiten zusammen eine gewählte Schwelle erreichen.

Zusammen entscheiden diese Einstellungen, ob eine Antwort eher konsistent oder eher kreativ wirkt. Sie verändern also nicht das Modell selbst. Stattdessen ändern Sie, wie es aus den bereits berechneten Wahrscheinlichkeiten zieht. Daher sollte jeder, der mit einem großen Sprachmodell arbeitet, beide Regler kennen.

In diesem Leitfaden beantworten wir "was ist Temperature und Top P" in einfacher Sprache. Danach behandeln wir niedrige und hohe Werte, den Unterschied zu Top K, den Abstand zwischen Chat Apps und APIs sowie einen praktischen Testplan. Feste Zahlenbereiche nennen wir bewusst nicht, denn sie hängen vom Anbieter und vom Modell ab.

Was ist Temperature und Top P, einfach erklärt mit einem Alltagsbeispiel?

Stellen Sie sich eine Bestellung im Restaurant vor. Der Kellner hat eine Liste, die zeigt, wie wahrscheinlich Sie jedes Gericht wählen. Bringt er immer das wahrscheinlichste Gericht, ändert sich das Ergebnis nie. Wählt er manchmal ein weniger wahrscheinliches, gibt es mehr Abwechslung am Tisch.

Zunächst legt Temperature fest, wie mutig der Kellner ist. Bei einem niedrigen Wert bleibt er also beim Favoriten. Bei einem hohen Wert tauchen dann auch unwahrscheinliche Gerichte auf. Top P funktioniert anders: Der Kellner addiert die Wahrscheinlichkeiten von oben und kürzt die Liste, sobald ein bestimmter Anteil erreicht ist.

Der Vergleich ist nicht perfekt. Dennoch zeigt er, dass beide Einstellungen dasselbe Problem auf zwei Wegen lösen. Die eine formt die Wahrscheinlichkeiten um, die andere begrenzt, welche Kandidaten im Spiel bleiben.

Wie wählt ein Sprachmodell das nächste Wort aus?

Ein Sprachmodell schreibt Text in kleinen Stücken, den sogenannten Tokens, nicht in ganzen Wörtern. In jedem Schritt berechnet das Modell für jedes mögliche Token einen Wert. Danach rechnet es diese Werte in Wahrscheinlichkeiten um, die sich zu eins addieren. Zusammengefasst nennen wir das eine Wahrscheinlichkeitsverteilung.

Zum Beispiel kann nach dem Satzanfang "Das Wetter heute ist sehr" das Wort "schön" eine hohe Wahrscheinlichkeit bekommen. "Kalt" erhält eine mittlere, "blau" eine sehr niedrige. Dann wählt das Modell ein Token, hängt es an den Satz an und wiederholt den Vorgang. Mehr Details lesen Sie in unserem Beitrag über Tokens.

Dieser Auswahlschritt passiert nur, während das Modell eine Antwort schreibt. Temperature und Top P ändern deshalb weder das Training noch das Wissen des Modells. Zum Beispiel kann das gleiche Modell mit anderen Einstellungen völlig anders klingen. Darum ist das Testen von Einstellungen günstig und schnell, verglichen mit einem neuen Training.

Der Kernpunkt ist einfach: Das Modell muss nicht das wahrscheinlichste Token wählen. Stattdessen hängt es von den Sampling Einstellungen ab, wie es wählt. In der Praxis sind Temperature und Top P die beiden wichtigsten.

• In jedem Schritt erzeugt das Modell eine Wahrscheinlichkeitsverteilung.
• Sampling Einstellungen bestimmen, wie es aus dieser Verteilung zieht.
• Also kann derselbe Prompt mit anderen Einstellungen anderen Text liefern.
• Einstellungen fügen kein Wissen hinzu, sie ändern nur das Auswahlverhalten.

Wie funktioniert Temperature?

Temperature skaliert die Wahrscheinlichkeitsverteilung, bevor das Modell auswählt. Bei einem niedrigen Wert wird die Verteilung schärfer. Dann steigen hohe Wahrscheinlichkeiten weiter, der Rest sinkt nahe null. Deshalb wählt das Modell fast immer das beste Token, und die Antworten wirken vorhersehbar.

Bei einem hohen Wert wird die Verteilung flacher. Somit bekommen unwahrscheinliche Tokens eine realistische Chance. Folglich wird der Text abwechslungsreicher, überraschender und manchmal auch unstrukturierter. Technisch teilt das Modell seine Rohwerte durch eine Zahl, bevor es sie in Wahrscheinlichkeiten umrechnet. Für die meisten Leser reicht das Bild vom Schärferegler.

Nähert sich die Temperature null, wählt das Modell in fast jedem Schritt das wahrscheinlichste Token. In der Praxis nennt man das gierige Auswahl (Greedy). Allerdings bedeutet das nicht immer perfekte Wiederholbarkeit. Dazu folgt unten ein eigener Abschnitt.

Was ändern niedrige, mittlere und hohe Temperature?

Anbieter nutzen also unterschiedliche Bereiche. Statt eine feste Zahl auswendig zu lernen, denken Sie deshalb besser in niedrig, mittel und hoch. Den gültigen Bereich und den Standardwert Ihres Modells lesen Sie in der aktuellen Dokumentation des Anbieters nach.

• Niedrig: Antworten bleiben konsistent, kurz und vorsichtig. Zum Beispiel liefert dieselbe Frage ähnliche Antworten. Das passt daher zu Klassifikation, Datenextraktion und regelbasierten Aufgaben.
• Mittel: Dieser Wert gleicht beide Seiten aus. Der Text fließt natürlich, denn das Modell bleibt beim Thema. Viele Teams wählen ihn daher für allgemeinen Chat und Zusammenfassungen.
• Hoch: Antworten werden abwechslungsreicher, und unerwartete Formulierungen tauchen auf. Das hilft zum Beispiel bei Brainstorming und kreativem Schreiben. Allerdings steigt auch das Risiko für Fehler und Widersprüche.

Ein hoher Wert bedeutet nicht "klüger". Das Modell hat dasselbe Wissen. Allerdings trifft es riskantere Entscheidungen. Bei Aufgaben mit Fakten erhöht eine hohe Temperature deshalb das Risiko erfundener Angaben.

Was ist Top P (Nucleus Sampling) und wie funktioniert es?

Top P heißt auch Nucleus Sampling. Zunächst sortiert das Modell die Tokens nach Wahrscheinlichkeit von hoch nach niedrig. Dann addiert es die Wahrscheinlichkeiten von oben, bis die Summe den Top P Wert erreicht. Diese Gruppe ist der "Nucleus", und das Modell wählt nur aus ihr.

Zum Beispiel haben fünf Kandidaten Wahrscheinlichkeiten von 50, 30, 10, 5 und 5 Prozent. Setzen Sie Top P auf einen Anteil von 80 Prozent, erreichen die ersten beiden zusammen genau 80 Prozent. Somit besteht der Nucleus aus diesen zwei Kandidaten, und die anderen drei fallen weg. Die Zahlen dienen nur der Veranschaulichung und stammen nicht von einem echten Modell.

Ein großer Vorteil: Die Zahl der Kandidaten ist nicht fest. Ist das Modell sicher, schrumpft der Nucleus also von selbst. Ist es unsicher, wächst er.

Die Idee stammt aus der Forschung. Das Nucleus Sampling Paper (arXiv) argumentiert, dass Sampling aus dem Nucleus wahrscheinlicher Wörter natürlicheren Text erzeugt. Wenn Sie Details mögen, empfehlen wir daher die Primärquelle.

Was ist Top K und wie unterscheidet es sich von Top P?

Top K behält in jedem Schritt nur die k wahrscheinlichsten Tokens. Alles andere fällt dann weg. Kurz gesagt: Top K begrenzt die Kandidaten nach Anzahl, Top P nach Wahrscheinlichkeitsanteil. Der Unterschied wirkt klein, verändert aber das Verhalten.

Selbst wenn das Modell sehr sicher ist, behält Top K eine feste Zahl an Kandidaten, und viele davon können Unsinn sein. Ist das Modell sehr unsicher, kann Top K gute Optionen abschneiden. Top P passt sich andererseits der Situation an. Daher finden viele Entwickler Top P flexibler.

Nicht jeder Anbieter bietet Top K an. Die Dokumentation der Google Gemini API beschreibt Temperature, topP und topK gemeinsam. Zudem haben manche andere APIs Top K gar nicht oder nur für bestimmte Modelle. Prüfen Sie deshalb immer, welche Parameter Ihre API unterstützt.

Sollten Sie Temperature und Top P gleichzeitig ändern?

Technisch können Sie beide setzen. In den meisten Fällen raten wir trotzdem ab. Denn beide Einstellungen steuern dasselbe Verhalten, nämlich die Vielfalt. Ändern Sie beide gleichzeitig, erkennen Sie nicht mehr, welche das Ergebnis verändert hat. Außerdem werden Ihre Experimente unübersichtlich.

In der Dokumentation der Anbieter steht dazu oft ein Hinweis: Ändern Sie eine Einstellung und lassen Sie die andere auf dem Standard. Die Referenz der OpenAI API und die Dokumentation der Anthropic Messages API enthalten einen Rat in diese Richtung. Weil sich Seiten zwischen Versionen ändern, prüfen Sie die Seite für Ihr eigenes Modell.

Außerdem warnt Google auf andere Weise. Die Dokumentation der Google Gemini API empfiehlt für einige neuere Gemini Versionen ausdrücklich, diese Parameter auf den Standardwerten zu lassen. Änderungen könnten sonst unerwartetes Verhalten wie Schleifen oder schlechtere Leistung auslösen. Mehr Feintuning bedeutet also nicht automatisch bessere Ergebnisse.

1. Zunächst lassen Sie beide Einstellungen auf dem Standard und messen die Grundqualität.
2. Dann ändern Sie nur eine Einstellung.
3. Danach vergleichen Sie die Ergebnisse mit denselben Beispieleingaben.
4. Schließlich notieren Sie das Ergebnis und wechseln nur bei Bedarf zur zweiten Einstellung.

Liefert Temperature null immer dieselbe Antwort?

Nein, nicht immer. Bei sehr niedriger Temperature wählt das Modell fast immer das beste Token, daher werden Antworten weitgehend konsistent. Allerdings garantieren die meisten Anbieter keine exakte Wiederholbarkeit. Zum Beispiel können Infrastruktur, Modellversion und Rechendetails kleine Abweichungen erzeugen.

Die Annahme "Temperature null heißt sicheres Ergebnis" ist also falsch. Besonders bei langen Antworten kann ein winziger Unterschied Schritt für Schritt wachsen. Außerdem bieten manche APIs zusätzliche Einstellungen wie einen Seed. Sie verbessern die Konsistenz, versprechen sie aber trotzdem nicht. Lesen Sie deshalb die genaue Formulierung in der Dokumentation des Anbieters.

Bei kritischen Aufgaben verlassen Sie sich daher nicht allein auf eine Einstellung. Stattdessen liefern Formatregeln, Ausgabeprüfung und menschliche Kontrolle ein deutlich stabileres Ergebnis.

Welcher Ansatz für Temperature und Top P passt zu welcher Aufgabe?

Die folgende Tabelle ist ein Startpunkt aus der Praxis. Das heißt: Sie ist ein Vorschlag zum Testen und keine Garantie. Testen Sie sie also mit Ihrem eigenen Modell und Ihren eigenen Daten.

In der Spalte für Top P steht bewusst meist "Standard". Wie oben erklärt, ist es daher in der Regel gesünder, eine Einstellung zu bewegen und die andere festzuhalten.

Was ist Temperature und Top P, und mit welchen Begriffen verwechseln Sie es?

Sampling Parameter werden mit anderen Einstellungen oft verwechselt. Die folgende Tabelle stellt deshalb die Unterschiede nebeneinander. Weil sie in API Oberflächen dicht beieinanderliegen, ist die Verwirrung normal.

Die letzte Zeile ist am wichtigsten. Vor allem retten Sie einen schwachen Prompt nicht mit Temperature. Wenden Sie zuerst die Grundlagen von Prompt Engineering an und sehen Sie Sampling Parameter danach als Feinabstimmung.

Welche Rolle spielen maximale Tokens, Wiederholungsstrafen und Stoppsequenzen?

Neben den Sampling Einstellungen formen weitere Parameter die Antwort. Weil sie leicht mit Temperature und Top P zu verwechseln sind, hilft eine kurze Abgrenzung. Nicht jeder Anbieter nutzt dieselben Namen oder bietet dieselben Optionen.

• Maximale Tokens: Sie begrenzen, wie lang die Antwort werden darf. Sie wirken also auf die Länge, nicht auf die Kreativität. Setzen Sie den Wert zu niedrig, bricht die Antwort womöglich mitten ab.
• Wiederholungsstrafe: Sie versucht, wiederholte Wörter und Wendungen zu senken. Manche APIs bieten sie an, andere nicht.
• Stoppsequenz: Sie beendet die Ausgabe, sobald eine bestimmte Wendung erscheint. Das hilft daher bei festen Formaten.

Diese Einstellungen wirken zusammen, doch jede hat ihre eigene Aufgabe. Wiederholt sich Ihre Antwort zum Beispiel, prüfen Sie zuerst Ihren Prompt und die Wiederholungsstrafe. Eine höhere Temperature kann die Wiederholung beheben, bringt aber womöglich Inkonsistenz mit.

Was ist der Unterschied zwischen Chat App und API?

In Chat Apps wie ChatGPT, Gemini oder Claude können Sie diese Einstellungen meist nicht selbst ändern. Der Anbieter wählt die Werte stattdessen im Hintergrund passend zum Produkt. Deshalb erhalten Sie auf dieselbe Frage in jedem Chat leicht andere Antworten.

Bei einer API ändert sich die Lage. Sie können diese Parameter im Anfragetext selbst mitgeben. Lassen Sie sie weg, gelten somit die Standardwerte des Anbieters. Manche Plattformen bieten außerdem einen Playground, in dem Sie Einstellungen mit einem Schieberegler ausprobieren.

Chat Apps ergänzen außerdem Systemanweisungen, Gedächtnis und Sicherheitsschichten, die die Antwort prägen. Zwei Produkte können also dasselbe Modell nutzen und trotzdem verschiedene Ergebnisse liefern. Bei einer API bauen Sie die meisten dieser Schichten selbst. Diese Freiheit bringt auch Verantwortung mit.

• Chat App: Die Einstellung ist meist verborgen, Nutzer können sie nicht ändern.
• API: Sie legen die Parameter für jede Anfrage selbst fest.
• Playground: Ideal für schnelle Tests, aber keine Produktionseinstellung.
• Produktivcode: Speichern Sie den gewählten Wert in der Konfiguration und notieren Sie den Grund.

Für den ersten Schritt auf der API Seite ist unsere Anleitung zur OpenAI API ein guter Einstieg.

Unterstützt jedes Modell Temperature und Top P auf die gleiche Weise?

Nein. Unterstützte Parameter, gültige Bereiche und Standardwerte unterscheiden sich je nach Anbieter. Sogar zwischen Modellen desselben Anbieters gibt es also Unterschiede. Statt das auswendig zu lernen, lesen Sie die aktuelle Dokumentation des Modells, das Sie nutzen.

Bei manchen Modellfamilien kann der Anbieter diese Parameter einschränken, festlegen oder anders behandeln. Zum Beispiel erzeugen Reasoning Modelle oft Zwischenschritte vor der endgültigen Antwort. Lesen Sie bei solchen Modellen in der Dokumentation nach, ob Sampling Einstellungen angeboten werden und wie sie sich verhalten.

Wechseln Sie auf eine neue Modellversion, übernehmen Sie alte Einstellungen nicht blind. Zum Beispiel kann sich derselbe Wert in einem neuen Modell anders verhalten. Ein kurzer Regressionstest, also ein erneuter Lauf mit denselben Beispieleingaben, schließt dieses Risiko günstig.

Verhindert eine niedrigere Temperature Halluzinationen?

Sie kann sie verringern, verhindert sie aber nicht. Eine niedrige Temperature drängt das Modell zum wahrscheinlichsten Token. Allerdings ist das wahrscheinlichste Token nicht immer richtig. Konkret kann ein Modell eine falsche Aussage mit hoher Wahrscheinlichkeit erzeugen, wenn das Muster in den Trainingsdaten stark ist.

Anders gesagt: Temperature ist eine Vielfaltseinstellung, keine Genauigkeitseinstellung. Um erfundene Angaben zu senken, lesen Sie unseren Beitrag zu KI Halluzination. Die Methoden dort umfassen Quellenangaben, die Anbindung an eine Wissensbasis und die Prüfung der Ausgabe.

Bauen Sie ein System, das mit Unternehmensdokumenten arbeitet, hilft ein RAG Aufbau der Genauigkeit viel mehr. Niedrige Temperature plus RAG macht Antworten somit konsistent und quellennah. Trotzdem gibt es keine Garantie, deshalb prüfen Sie immer mit Stichproben.

Wie verhalten sich diese Einstellungen bei Agenten und Tool Aufrufen?

Ein KI Agent gibt nicht nur eine Antwort, sondern geht viele Schritte. Dann ruft er ein Werkzeug auf, liest das Ergebnis und wählt den nächsten Schritt. In dieser Kette beeinflusst der Zufall jedes Schritts den nächsten. Eine kleine Abweichung kann daher nach wenigen Schritten zu einem großen Unterschied werden.

Deshalb halten die meisten Teams die Vielfalt bei Systemen niedrig, die Werkzeuge aufrufen und strukturierte Ausgaben erzeugen. Bricht das Ausgabeformat, scheitert somit der nächste Schritt. Den Schreibschritt können Sie andererseits als eigenen Teil der Kette steuern.

Kurz gesagt: Sie müssen nicht in jedem Schritt dieselbe Einstellung nutzen. Für Extraktions- und Entscheidungsschritte wählen Sie eine konsistente, für Schreibschritte eine lockerere Einstellung. Ob Ihr Anbieter Einstellungen pro Schritt erlaubt, prüfen Sie allerdings in der Dokumentation.

Beispielszenario: Wie wählen wir Einstellungen für drei Aufgaben in einem Onlineshop?

Das folgende Beispiel ist rein fiktiv und kein Kundenergebnis. Angenommen, ein E-Commerce Team nutzt KI für drei Aufgaben.

• Produktmerkmale extrahieren: Farbe, Größe und Material aus dem Lieferantentext in eine Tabelle übertragen. Konsistenz ist Pflicht, also wählen Sie eine niedrige Temperature.
• Kundenfragen beantworten: Klare Fakten wie die Rückgaberegel weitergeben. Daher funktioniert ein Wert zwischen niedrig und mittel mit verlinktem Dokument gut.
• Ideen für Kampagnenslogans: Zwanzig Sloganentwürfe anfordern. Hier bringt dann ein Wert zwischen mittel und hoch vielfältigere Ideen.

Auch bei der dritten Aufgabe liefert das Modell nichts, was sofort veröffentlichungsreif ist. Das Team wählt trotzdem die besten Ideen aus und überarbeitet sie von Hand. Eine hohe Temperature öffnet also die Tür zu kreativen Texten, ersetzt aber keine redaktionelle Kontrolle.

Was wäre, wenn das Team für alle Aufgaben dieselbe Einstellung nutzte? Dann wären die Slogans bei niedriger Einstellung langweilig, und bei hoher Einstellung schlichen sich Fehler in die Produktmerkmale ein. Deshalb lohnt es sich, Einstellungen pro Aufgabe zu wählen.

Welche Fehler machen Teams bei Temperature und Top P am häufigsten?

Das sind die Fehler, die wir am häufigsten sehen. Das Problem liegt oft nicht an der Einstellung selbst, denn die Erwartung daran ist zu hoch.

• Beide Parameter gleichzeitig ändern und nicht wissen, welcher gewirkt hat.
• Genauigkeit über eine hohe Temperature suchen.
• Bei niedriger Temperature jedes Mal exakt dasselbe Ergebnis erwarten.
• Nach einem einzigen Testergebnis entscheiden.
• Nach einem Modellwechsel nicht erneut testen.
• Einen schwachen Prompt per Einstellung reparieren wollen.

Die Lösung ist deshalb überall ähnlich: kleine, kontrollierte und dokumentierte Experimente. Lassen Sie dieselbe Eingabe mehrmals laufen, legen Sie die Ausgaben nebeneinander und schreiben Sie Ihre Kriterien zuerst auf.

Wie testen Sie Temperature und Top P richtig?

Ein guter Testplan muss nicht kompliziert sein. Sie brauchen ein kleines Set echter Eingaben und ein klares Erfolgskriterium. Die folgenden Schritte funktionieren daher für die meisten Projekte.

1. Sammeln Sie zehn bis zwanzig Beispieleingaben aus Ihrem echten Anwendungsfall.
2. Schreiben Sie Ihre Erfolgskriterien auf, etwa Genauigkeit, Ton, Länge und Formattreue.
3. Lassen Sie alle Eingaben mit Standardeinstellungen laufen und speichern Sie die Ausgaben.
4. Ändern Sie nur Temperature und lassen Sie dieselben Eingaben erneut laufen.
5. Bewerten Sie die Ausgaben nach Ihren Kriterien. Eine blinde Bewertung, bei der Sie die Einstellung nicht kennen, ist fairer.
6. Tragen Sie die beste Einstellung in die Konfiguration ein und notieren Sie die Gründe.

Kurz gesagt stützt sich diese Methode mehr auf Vorgehen als auf Zahlen. Bei Bedarf stärken Sie Ihre Kriterien mit Beispielen aus Few Shot Prompting oder mit Chain of Thought Prompts.

Was steht auf der Checkliste für Unternehmen und Entwickler?

Die Liste unten sammelt die Punkte, die Sie vor dem Start einer KI Funktion prüfen. Wir halten sie deshalb kurz, damit Sie sie schnell nutzen können.

• Lesen Sie die aktuelle Dokumentation zu Modell und Version.
• Klären Sie unterstützte Parameter und Standardwerte.
• Ändern Sie immer nur eine Sampling Einstellung auf einmal.
• Wählen Sie je Aufgabe einen niedrigen, mittleren oder hohen Ansatz.
• Ergänzen Sie bei kritischen Ausgaben Formatregeln und einen Prüfschritt.
• Speichern Sie den gewählten Wert in der Konfiguration samt Begründung.
• Testen Sie die Einstellungen bei jedem Modellwechsel erneut.
• Planen Sie bei kreativen Ausgaben eine redaktionelle Kontrolle ein.

Als Entscheider müssen Sie die technischen Werte nicht selbst bedienen. Dennoch sollten Sie von Ihrem Team eine klare Antwort auf die Frage erwarten: "Warum haben Sie diese Einstellung gewählt, und wie haben Sie sie getestet?"

Wie gehen wir in Kundenprojekten mit Temperature und Top P um?

Wir von Talha Aslan und Team sehen Sampling Einstellungen als Designentscheidung, die wir testen müssen, nicht als magische Zahl. Für jeden Workflow legen wir zuerst das Erfolgskriterium fest und wählen danach die Einstellung.

Bei KI Chatbot Entwicklung und ähnlichen Aufgaben halten wir kundennahe Antworten oft konsistent und lassen die interne Ideensuche lockerer. Einen breiteren Überblick finden Sie auf unserer Seite zur KI Automatisierung.

Dieser Abschnitt beschreibt unsere Arbeitsweise und ist kein Ergebnisversprechen. Jedes Projekt ist anders, daher zeigt sich die beste Einstellung erst durch Tests mit Ihren eigenen Daten.

Wann und wie sollten Sie Temperature und Top P also einsetzen?

Kurz gesagt: Temperature stellt die Schärfe der Wahrscheinlichkeitsverteilung ein, Top P die Breite des Kandidatenpools. Niedrige Werte fördern Konsistenz, hohe Werte fördern Vielfalt. Beide sind also Alternativen zueinander, und meist genügt es, nur eine zu ändern.

Vor allem ist Temperature kein Regler für Genauigkeit oder Intelligenz. Bei kritischen Aufgaben brauchen Sie neben der Einstellung Prüfung, Quellenanbindung und menschliche Kontrolle. Schließlich gilt: Zahlenbereiche unterscheiden sich je Anbieter, also lesen Sie den aktuellen Wert immer in der offiziellen Dokumentation nach.

Wenn Sie weitere KI Begriffe lernen möchten, sind unsere Beiträge zu Reasoning Modellen und zur KI Halluzination die logische Fortsetzung. Dann sehen Sie den Zusammenhang zwischen Parametern, Modellverhalten und Genauigkeit als ein Gesamtbild.