---
term: "Model Parameters"
slug: "model-parameters"
glossar_id: "G092"
variants: ["Weights","Modellgewichte"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Gelernte interne Zahlenwerte, die Modellverhalten mitbestimmen."
sources:
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "Hugging Face PEFT"
    url: "https://huggingface.co/docs/peft/en/index"
  - label: "LoRA-Dokumentation"
    url: "https://huggingface.co/docs/peft/en/package_reference/lora"
  - label: "PyTorch Saving and Loading Models"
    url: "https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html"
status: "entwurf"
updated: "2026-09-20"
---

Model Parameters sind die durch Training gelernten Zahlenwerte eines Modells, beispielsweise Gewichte und Bias-Werte eines neuronalen Netzes. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) „Weights“ oder „Modellgewichte“ wird häufig als Sammelbezeichnung verwendet, obwohl Parameter technisch auch andere lernbare Werte umfassen können. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

## So kannst du dir das vorstellen

Stell dir ein sehr großes Mischpult vor, dessen Regler gemeinsam bestimmen, wie Eingangssignale verarbeitet werden. Beim Training werden viele dieser Regler verändert; beim späteren Einsatz arbeitet das System mit einer bestimmten gespeicherten Einstellung.

Ein einzelner Regler wäre dabei kein beschriftetes Fach wie „Lieferzeit von Produkt A“. Die Analogie soll das Zusammenspiel vieler Einstellungen erklären, nicht eine Datenbank aus sauber getrennten Fakten suggerieren. Für eine konkrete Lieferzeit solltest du weiterhin eine überprüfbare Informationsquelle verlangen.

## Parameter sind keine Bedienoptionen

Die Lernrate und andere Hyperparameter steuern das Trainingsverfahren, werden aber nicht wie die üblichen Modellgewichte durch dessen reguläre Parameterupdates gelernt. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Auch wenn ein System Hyperparameter automatisch sucht, bleibt diese begriffliche Trennung sinnvoll. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary))

Beim vollständigen Fine-Tuning können die vorhandenen Modellparameter angepasst werden; parameter-effiziente Verfahren verändern dagegen nur einen kleinen Teil oder ergänzen trainierbare Zusatzgewichte. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary), [Hugging Face PEFT](https://huggingface.co/docs/peft/en/index)) Bei LoRA bleiben die ursprünglichen Gewichte während der eigentlichen Adapteranpassung eingefroren. ([LoRA-Dokumentation](https://huggingface.co/docs/peft/en/package_reference/lora))

## Was eine Gewichtsdatei enthält

Eine gespeicherte Zustandsdatei kann neben gelernten Parametern weitere Modellzustände enthalten; für die Fortsetzung eines Trainings werden außerdem Informationen wie der Zustand des Optimierers benötigt. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html)) Deshalb solltest du „Gewichte heruntergeladen“ und „Training vollständig reproduzierbar“ nicht gleichsetzen.

Für eine Übergabe ist eine praktische Prüffrage: Liegt ein vollständiges Modell vor oder nur ein Adapter, der zusätzlich ein bestimmtes Basismodell benötigt? Diese Unterscheidung entscheidet darüber, welche Dateien gemeinsam bereitgestellt werden müssen.

## Verwandte Begriffe

Die Einordnung erleichtern **Training**, **Hyperparameter**, **Checkpoint**, **Low-Rank Adaptation** und **Adapter**.