> ## Documentation Index
> Fetch the complete documentation index at: https://docs.localmind.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Output-Qualität optimieren

> Steuere Temperature, Top-P und Max Tokens für bessere KI-Ausgaben – mit Empfehlungen je Anwendungsfall.

Die Qualität der KI-Ausgaben lässt sich über technische Parameter des Modells steuern. Diese Parameter steuerst du bei API-Nutzung – siehe [OpenAI-kompatible API](/api-reference/OpenAI-Kompatibel); in der Web-App wählt Localmind sinnvolle Voreinstellungen. Diese Seite erklärt die wichtigsten Einstellungen und gibt Empfehlungen für verschiedene Anwendungsfälle.

## Die drei wichtigsten Parameter

| Parameter       | Was er steuert                   | Bereich         | Standard |
| --------------- | -------------------------------- | --------------- | -------- |
| **Temperature** | Kreativität vs. Vorhersagbarkeit | 0.0 – 2.0       | 0.7–1.0  |
| **Top-P**       | Breite des Wortschatzes          | 0.0 – 1.0       | 0.9–1.0  |
| **Max Tokens**  | Maximale Länge der Antwort       | 1 – Modelllimit | Variiert |

<Note>
  Ob `temperature` und `top_p` tatsächlich wirken, ist **modellabhängig**: Localmind reicht die Parameter an das jeweils gewählte Modell durch, aber nicht jedes Modell unterstützt beide. Nicht unterstützte Parameter werden ohne Fehlermeldung ignoriert. Welches Modell du wählst, erfährst du unter [Modellauswahl](/arbeiten-mit-ki/modellauswahl).
</Note>

## Temperature

Temperature bestimmt, wie "kreativ" (= unvorhersagbar) das Modell antwortet:

| Wert          | Verhalten                                | Geeignet für                                        |
| ------------- | ---------------------------------------- | --------------------------------------------------- |
| **0.0**       | Determiniert – immer die gleiche Antwort | Datenextraktion, Klassifikation, Faktenabfragen     |
| **0.1 – 0.3** | Niedrig – kaum Variation                 | Zusammenfassungen, technische Texte, Code           |
| **0.5 – 0.7** | Mittel – ausgewogen                      | Allgemeine Texte, E-Mails, Berichte                 |
| **0.8 – 1.2** | Hoch – kreativ und divers                | Brainstorming, kreatives Schreiben, Marketing-Texte |
| **1.5 – 2.0** | Sehr hoch – unvorhersagbar               | Experimentell, oft qualitativ schlechter            |

<Tip>
  **Faustregel:** Für faktenbasierte Aufgaben: Temperature 0–0.3. Für kreative Aufgaben: Temperature 0.7–1.0. Werte über 1.2 sind selten sinnvoll.
</Tip>

## Top-P (Nucleus Sampling)

Top-P begrenzt die Auswahl der möglichen nächsten Wörter auf die wahrscheinlichsten, bis die kumulative Wahrscheinlichkeit den Top-P-Wert erreicht:

| Wert    | Effekt                                                          |
| ------- | --------------------------------------------------------------- |
| **0.1** | Nur die wahrscheinlichsten 10% der Wörter → Sehr fokussiert     |
| **0.5** | Die wahrscheinlichsten 50% → Guter Mittelweg                    |
| **0.9** | Die wahrscheinlichsten 90% → Breiter Wortschatz, mehr Variation |
| **1.0** | Alle Wörter möglich → Maximum an Diversität                     |

<Note>
  Temperature und Top-P beeinflussen ähnliche Aspekte. Empfehlung: **Einen Parameter anpassen, den anderen auf Standard belassen** – nicht beide gleichzeitig.
</Note>

## Max Tokens

Begrenzt die maximale Länge der Antwort:

* **Max Tokens ≠ garantierte Länge:** Das Modell kann kürzer antworten
* **Zu niedrig:** Die Antwort wird mitten im Satz abgeschnitten
* **Zu hoch:** Kein Nachteil, aber unnötig hohe Werte können die Kosten erhöhen
* **Empfehlung:** Wert \~20% über der erwarteten Antwortlänge setzen

## Ausgabeformat steuern

Die Qualität hängt auch davon ab, wie klar du das gewünschte Format definierst:

```text theme={null}
Formatieren Sie die Ausgabe als Markdown-Tabelle mit folgenden Spalten:
| Name | Abteilung | Aufgabe | Deadline | Status |
```

```text theme={null}
Antworte ausschließlich in diesem JSON-Format, kein Text davor oder danach:
{
  "zusammenfassung": "string (max. 100 Wörter)",
  "kernpunkte": ["string"],
  "empfehlung": "string",
  "konfidenz": "hoch | mittel | niedrig"
}
```

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="Halluzinationen vermeiden" icon="shield-half" href="/arbeiten-mit-ki/Halluzinationen-Vermeiden">
    Strategien für faktisch korrekte Ergebnisse.
  </Card>

  <Card title="Modellauswahl" icon="scale" href="/arbeiten-mit-ki/modellauswahl">
    Das richtige Modell für deinen Anwendungsfall finden.
  </Card>
</CardGroup>