---
term: "In-Context Learning"
slug: "in-context-learning"
glossar_id: "G170"
variants: ["ICL"]
category: "prompting-und-gespraechsgestaltung"
marker: ""
short: "Anpassung anhand des Kontexts ohne Update der Modellgewichte."
sources:
  - label: "Brown et al.: Language Models are Few-Shot Learners"
    url: "https://arxiv.org/pdf/2005.14165"
  - label: "Lester et al.: Prompt Tuning"
    url: "https://arxiv.org/pdf/2104.08691"
status: "entwurf"
updated: "2026-09-21"
---

In-Context Learning, kurz ICL, bezeichnet die Fähigkeit eines Modells, sein Verhalten anhand von Anweisungen oder Beispielen im aktuellen Eingabekontext an eine Aufgabe anzupassen. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Dabei werden keine zusätzlichen Trainingsschritte mit Änderungen der Modellgewichte durchgeführt. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

## Lernen innerhalb der Bearbeitung

Ein bereits vortrainiertes Sprachmodell erhält eine Aufgabenbeschreibung und gegebenenfalls Demonstrationen, bevor es einen neuen Fall bearbeitet. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Die Beispiele beeinflussen seine Ausgabe dadurch, dass sie Teil der Informationen für diesen Modellaufruf sind. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

Few-Shot Prompting ist eine praktische Form dieses Vorgehens, bei der mehrere gelöste Beispiele vorgegeben werden. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Während „Few-Shot“ die Gestaltung der Eingabe beschreibt, richtet „In-Context Learning“ den Blick auf die kontextabhängige Anpassungsfähigkeit des Modells. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

Die GPT-3-Arbeit lässt dabei ausdrücklich offen, in welchem Umfang ein Modell eine Aufgabe tatsächlich neu erschließt oder bereits gelernte Aufgabenmuster wiedererkennt. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Der Begriff sollte deshalb nicht unbemerkt mit menschlichem Lernen gleichgesetzt werden.

## So kannst du dir das vorstellen

Stell dir vor, ein hypothetischer Assistent soll interne Kürzel nach einem projektspezifischen Schema umformen. Du zeigst ihm mehrere Paare aus Ausgangsnotiz und gewünschter Kurzfassung und gibst anschließend eine neue Notiz.

Wenn er das Muster auf diesen Fall überträgt, wäre das eine anschauliche Verwendung von In-Context Learning. Die Muster liegen während der Bearbeitung direkt vor, ähnlich einem Musterblatt neben einer Aufgabe.

Das Bild hat eine wichtige Grenze: Es bedeutet nicht, dass ein dauerhaftes neues Fachwissen im Modell gespeichert wurde. In einem anderen Aufruf ohne dieses Musterblatt wäre die Informationslage eine andere.

## Abgrenzung zum Fine-Tuning

Beim Fine-Tuning werden Parameter eines vortrainierten Modells anhand zusätzlicher Trainingsdaten verändert. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Beim gewöhnlichen In-Context Learning bleiben die Modellgewichte dagegen unverändert. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

Prompt Tuning bildet einen weiteren, anders gelagerten Fall: Das Basismodell bleibt ebenfalls eingefroren, aber zusätzliche Promptparameter werden tatsächlich trainiert. [Lester et al.: Prompt Tuning](https://arxiv.org/pdf/2104.08691) „Die ursprünglichen Modellgewichte bleiben gleich“ reicht deshalb allein nicht aus, um jedes Verfahren automatisch als In-Context Learning einzuordnen.

## Verwandte Begriffe

**Few-Shot Prompting**, **Prompting**, **Fine-Tuning**, **Prompt Tuning**, **Modellgewichte**.