---
term: "Base Model"
slug: "base-model"
glossar_id: "G016"
variants: ["Pretrained Model","Vortrainiertes Ausgangsmodell","Basismodell"]
category: "grundbegriffe-und-modelltypen"
marker: ""
short: "Vortrainiertes Ausgangsmodell, insbesondere vor nachgelagertem Instruction-Tuning."
sources:
  - label: "Google"
    url: "https://developers.google.com/machine-learning/glossary/generative"
  - label: "LLM Configurator"
    url: "https://llmconfigurator.com/en/glossary"
status: "entwurf"
updated: "2026-09-20"
---

Ein Base Model ist ein vortrainiertes Modell, das als Ausgangspunkt für weitere Anpassungen dienen kann. ([Google](https://developers.google.com/machine-learning/glossary/generative)) Bei Sprachmodellen bezeichnet „Base“ häufig die Variante nach dem Vortraining, aber vor einer gezielten Abstimmung auf Anweisungen oder Chatdialoge. ([LLM Configurator](https://llmconfigurator.com/en/glossary))

## So kannst du dir das vorstellen

Stell dir jemanden vor, der sehr viele Textbeispiele kennengelernt hat und nun Texte fortsetzen soll. Du legst ihm eine Liste mit Prüfungsfragen hin. Seine Aufgabe könnte darin bestehen, die Liste um weitere Fragen zu ergänzen.

Du hattest aber gehofft, dass er die erste Frage beantwortet. Beide Reaktionen passen zu unterschiedlichen Aufgabenstellungen: eine Textfolge fortsetzen oder eine Anweisung erfüllen.

Dieses Beispiel veranschaulicht den Unterschied zwischen einem Base-Modell und einer auf Anweisungen abgestimmten Variante; ein Base-Modell kann eine Frage als fortzusetzenden Text behandeln, statt eine hilfreiche Antwort zu liefern. ([LLM Configurator](https://llmconfigurator.com/en/glossary)) Die Metapher beschreibt die Trainingsausrichtung, keine Person im Computer.

## Wann dir die Unterscheidung begegnet

In Modellverzeichnissen finden sich häufig Base- und Instruct-Varianten derselben Familie. ([LLM Configurator](https://llmconfigurator.com/en/glossary)) Wenn du einen lokalen Chatassistenten aufbauen möchtest, solltest du deshalb genauer auf den Zusatz im Modellnamen achten.

Prüfe vor dem ersten Test, ob die gewählte Variante bereits auf Anweisungen abgestimmt ist und welches Eingabeformat sie erwartet. Damit vermeidest du einen Versuchsaufbau, der nicht zur Vorbereitung des Modells passt.

## Vortrainiert heißt nicht untrainiert

Ein Base-Modell hat das Pretraining bereits durchlaufen; weitere Schritte wie Instruction-Tuning verändern danach seine Ausrichtung. ([Google](https://developers.google.com/machine-learning/glossary/generative), [LLM Configurator](https://llmconfigurator.com/en/glossary)) Es ist also kein leerer Rohling, den erst der Anwender mit Sprache füllen müsste.

Der Ausdruck „pretrained“ ist außerdem weiter gefasst: Er kann allgemein auf ein bereits trainiertes Modell verweisen und legt nicht in jedem Kontext eindeutig fest, welche späteren Anpassungen schon stattgefunden haben. ([Google](https://developers.google.com/machine-learning/glossary/generative)) Im Zweifel ist die Modellbeschreibung aussagekräftiger als ein einzelnes Etikett.

## Verwandte Begriffe

**Pretraining**, **Foundation Model**, **Instruct Model**, **Instruction-Tuning**, **Fine-Tuning** und **Chat Template** gehören direkt dazu. Der Vergleich mit dem Instruct Model erklärt am besten, warum sich zwei Varianten im Chat so verschieden verhalten können.