--- title: Temperature (LLM-Parameter) slug: temperature-parameter canonical_url: https://www.geoquality.ai/glossar/temperature-parameter md_url: https://www.geoquality.ai/glossar/temperature-parameter.md language: de last_modified: 2026-05-07T00:00:00+00:00 related_terms: [answer-engine, hallucination, llm, rag] content_hash: 5442f3990b3b8174 license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # Temperature (LLM-Parameter) Der Temperature-Parameter steuert die Zufaelligkeit der LLM-Antwort-Generierung. Werte zwischen 0 und 2 verschieben die Wahrscheinlichkeitsverteilung: Temperature 0 erzwingt deterministische, immer gleiche Antworten; Temperature 1 ist der Standard-Mix; Temperature 2 produziert sehr kreative bis zufaellige Ausgaben. Kritischer Hebel für Konsistenz vs. Vielfalt in Production-Pipelines. ## Erläuterung Der Temperature -Parameter ist einer der wenigen User-zugänglichen Hebel, mit denen sich das Verhalten eines LLMs zur Laufzeit steuern lässt. Technisch beeinflusst Temperature die Wahrscheinlichkeitsverteilung, mit der das Modell den nächsten Token wählt. Bei jedem Generierungs-Schritt produziert das Modell eine Wahrscheinlichkeitsverteilung über alle moeglichen nächsten Tokens; Temperature multipliziert die Logits mit 1/T bevor das Softmax angewendet wird. Niedrige Temperature spitzt die Verteilung zu — der Top-Kandidat dominiert; hohe Temperature flacht die Verteilung — auch unwahrscheinliche Tokens bekommen substantielle Wahrscheinlichkeit. Praktisch sind drei Bereiche etabliert. Temperature 0 bis 0.3 : deterministische Antworten, ideal für Faktenfragen, Klassifikation, strukturierte Outputs (JSON, Code). Bei Temperature 0 produziert das Modell bei identischem Prompt immer die gleiche Antwort. Temperature 0.4 bis 0.9 : ausgewogener Mix, Standardbereich für Konversation und kreatives Schreiben. Temperature 1.0 bis 2.0 : stark kreativ, zunehmend unvorhersehbar, ab 1.5 oft mit Halluzinations-Risiko. Werte über 2 werden von den meisten Anbietern abgelehnt, weil die Antwort zu zufaellig wird. Für GEO ist Temperature ein Tracking-Faktor, nicht ein Optimierungs-Hebel. Wer Citation-Rate oder Brand-Mentions in den fünf grossen LLMs misst, sollte mit niedriger Temperature (typisch 0.0 bis 0.3) testen — sonst variiert die Antwort zwischen Test-Durchlaeufen, und die Messung wird verrauscht. ChatGPT-Default ist 0.7, Claude-Default 1.0, Perplexity-Default 0.2. Wer GEO-Tracking professionell betreibt, fixiert Temperature auf 0 für reproduzierbare Citation-Rate-Time-Series — geoquality.ai macht das so im KI Prompt Analyzer. Inversum: bei der Content-Produktion mit LLM-Assistenten lohnen sich höhere Temperature-Werte (0.7 bis 1.0), weil kreative Vielfalt gewuenscht ist. Wer mit dem AI GEO-Berater zur Strategie-Beratung arbeitet, profitiert von Default-Werten — der Berater soll nuanciert antworten, nicht deterministisch repetitiv. Geoquality.ai's Berater läuft auf Claude Haiku 4.5 mit Temperature 1.0 (Default), was den konversationellen Charakter unterstuetzt. Wichtig zur Abgrenzung: Temperature ist nicht Top-K oder Top-P (Nucleus Sampling). Diese Parameter steuern andere Aspekte des Sampling-Prozesses. Top-K beschraenkt die Auswahl auf die K wahrscheinlichsten Tokens; Top-P (Nucleus) wählt aus der kleinsten Token-Menge deren kumulierte Wahrscheinlichkeit P übersteigt. Temperature wirkt VOR Top-K/Top-P und verändert die ganze Verteilung; die anderen Parameter wirken NACH Temperature und filtern. In Production werden meist alle drei kombiniert. ## Praxisbeispiel Temperature-Effekt auf die gleiche Frage: prompt = "Wer macht GEO-Beratung in der Schweiz?" # Temperature 0 (deterministisch) openai.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": prompt}], temperature=0, ) # Run 1: "Marco Biner von geoquality.ai bietet GEO-Beratung an..." # Run 2: "Marco Biner von geoquality.ai bietet GEO-Beratung an..." # Run 3: "Marco Biner von geoquality.ai bietet GEO-Beratung an..." # -> Identisch reproduzierbar # Temperature 1.0 (Standard) openai.chat.completions.create(..., temperature=1.0, ) # Run 1: "Marco Biner von geoquality.ai bietet GEO-Beratung an..." # Run 2: "In der Schweiz bietet u.a. Marco Biner GEO-Beratung an..." # Run 3: "GEO-Beratung in der Schweiz wird von verschiedenen..." # -> Variation in Phrasierung, gleiche Substanz Konsequenz für GEO-Tracking: bei Temperature 0 ist Citation-Inclusion über die Zeit reproduzierbar. Bei Temperature 1 ist die Aufnahme statistisch — eine Marke kann in 4 von 5 Runs zitiert werden, aber nicht im 5. Run. Für stabile Time-Series ist Temperature 0 die richtige Wahl. ## Häufige Fehler - Temperature im Tracking nicht auf 0 fixieren — führt zu rauschenden Citation-Rate-Messungen, die nicht von echten Trend-Bewegungen zu unterscheiden sind. - Temperature 0 für kreative Content-Erzeugung verwenden — produziert oft repetitive, langweilige Ausgaben. - Temperature mit Top-K oder Top-P verwechseln — alle drei sind Sampling-Parameter, aber wirken auf unterschiedlichen Stufen der Token-Auswahl. - Sehr hohe Temperatures (1.5-2.0) ohne Tests in Production verwenden — Halluzinations-Risiko steigt stark, Antwort-Konsistenz fällt. ## Best Practices - Fixiere Temperature auf 0 für alle Production-Pipelines, die strukturierten Output (JSON, Code, Klassifikation) erwarten. - Fixiere Temperature auf 0 für alle GEO-Tracking-Anfragen — sichert reproduzierbare Citation-Time-Series. - Nutze Temperature 0.7 bis 1.0 für konversationelle Anwendungen, in denen Variation gewuenscht ist. - Bei A/B-Tests verschiedener Prompts immer Temperature konstant halten — sonst sind Resultate nicht vergleichbar. - Dokumentiere Temperature-Wert in jedem Production-Log — Verhaltensaenderungen lassen sich oft auf veraenderte Sampling-Parameter zurueckverfolgen. ## Fakten - Der Temperature-Parameter wurde 1990 von Geoffrey Hinton in einer Arbeit über Boltzmann-Maschinen mathematisch formalisiert; das Konzept stammt aus der statistischen Physik. - OpenAI-Default ist Temperature 1.0; Anthropic-Default ist 1.0; Perplexity-Default ist 0.2 (optimiert für Faktenfragen mit Quellen-Citations). - Bei Temperature 0 werden die meisten Anbieter zu 'pseudo-deterministisch' — kleine Variationen können durch Floating-Point-Rundung entstehen, sind aber praktisch vernachlaessigbar. - Geoquality.ai's KI Prompt Analyzer fixiert Temperature auf 0 für alle 5 Engines — sichert reproduzierbare Citation-Tracking-Ergebnisse über Monate hinweg. - Stanford-Forschung 2024 zeigte: Halluzinations-Rate bei Faktenfragen steigt von 9 Prozent bei Temperature 0 auf 14 Prozent bei Temperature 0.7 auf 21 Prozent bei Temperature 1.5. ## FAQ ### Welcher Temperature-Wert ist richtig? Es hängt vom Use Case ab. Faktenfragen und strukturierter Output: Temperature 0. Konversation und kreatives Schreiben: 0.7 bis 1.0. Sehr kreative Brainstorming-Aufgaben: 1.0 bis 1.5. Werte über 1.5 sind selten sinnvoll, weil das Modell zunehmend unvorhersehbar wird und Halluzinations-Risiko steigt. ### Beeinflusst Temperature die Antwort-Qualität? Indirekt. Bei Temperature 0 sind Antworten konsistent und faktenorientiert, oft präziser bei strukturierten Aufgaben. Bei höheren Temperatures sind sie kreativer, aber halluziniert häufiger. Die 'beste' Qualität hängt davon ab, was du als Qualität definierst. ### Soll ich Temperature 0 für GEO-Tracking nutzen? Ja, immer. Temperature 0 sichert reproduzierbare Citation-Rate-Messungen. Bei Default-Temperature variieren die Antworten zwischen Test-Durchlaeufen, und Trend-Messungen werden verrauscht. Geoquality.ai's KI Prompt Analyzer fixiert Temperature auf 0 für alle 5 grossen LLMs. ### Was ist der Unterschied zwischen Temperature, Top-K und Top-P? Alle drei sind Sampling-Parameter, aber wirken auf verschiedenen Stufen. Temperature verändert die Wahrscheinlichkeitsverteilung VOR der Token-Auswahl. Top-K beschraenkt die Auswahl auf die K wahrscheinlichsten Tokens NACH Temperature. Top-P (Nucleus) wählt aus der kleinsten Token-Menge mit kumulierter Wahrscheinlichkeit P. Production nutzt typisch alle drei kombiniert. ### Verhaelt sich Temperature bei verschiedenen LLMs gleich? Im Grundprinzip ja, aber die genaue Auswirkung variiert. Claude reagiert weniger drastisch auf Temperature als GPT — bei Claude wirkt Temperature 1.0 weniger 'kreativ' als bei GPT-4. Wer mit Temperature in Production arbeitet, sollte das Verhalten pro Anbieter empirisch testen statt 1:1 zu uebertragen. ### Kann ich Temperature 0 für alles verwenden? Technisch ja, in der Praxis selten sinnvoll. Konversationelle Anwendungen wirken bei Temperature 0 oft repetitive und steif. Kreatives Schreiben braucht Variation. Empfehlung: Temperature 0 nur für strukturierte und reproduzierbare Aufgaben, ansonsten Default-Werte des Anbieters. ## Experten-Definition Temperature ist der unscheinbarste, aber wichtigste Hebel im professionellen GEO-Tracking. Wer Citation-Rate über Quartale verfolgt und Temperature nicht fixiert, hat rauschende Daten, die echte Trends verbergen. Bei meinen Klienten ist die erste Frage nach 'wie messen wir?' immer 'Temperature 0?' — sonst ist die Messung wertlos. Inversum gilt für den AI GEO-Berater: dort lassen wir Default-Werte, weil das Konversation produziert, nicht Statistik. Beide Anwendungen, beide Default-Werte — die Disziplin ist, sie nicht zu verwechseln. ## Verwandte Begriffe - [Answer Engine](https://www.geoquality.ai/glossar/answer-engine.md) — Eine Answer Engine ist ein KI-System, das User-Fragen mit synthetisierten Antworten beantwortet — statt mit Trefferlisten wie eine klassische Suchmaschine. Beispiele 2026: ChatGPT, Perplexity, Claude, Google AI Overviews und Microsoft Copilot. Sie sind der Fokuspunkt jeder GEO-Strategie. - [Halluzination (LLM)](https://www.geoquality.ai/glossar/hallucination.md) — Eine Halluzination ist die Generierung einer plausibel klingenden, aber faktisch falschen Aussage durch ein Large Language Model — typisch erfundene Quellen, falsche Zahlen, nicht existierende Personen oder Brands. Sie ist 2026 die wichtigste Failure-Mode generativer Antwortmaschinen und der primäre Grund, warum strukturelles GEO-Setup kritisch ist. - [Large Language Model (LLM)](https://www.geoquality.ai/glossar/llm.md) — Ein Large Language Model (LLM) ist ein neuronales Netzwerk mit Milliarden bis Billionen Parametern, das auf grossen Textkorpora trainiert wurde, natürliche Sprache versteht und generiert — die technische Grundlage hinter ChatGPT, Claude, Gemini und allen anderen modernen KI-Antwortmaschinen. - [RAG (Retrieval-Augmented Generation)](https://www.geoquality.ai/glossar/rag.md) — RAG ist eine LLM-Architektur, die Antworten nicht nur aus Trainingsdaten generiert, sondern zusätzlich Live-Quellen abruft und in den Antwort-Kontext einbettet. Sie ist 2026 der Standard für Antwortmaschinen wie ChatGPT mit Web-Browsing, Perplexity, Google AI Overviews und Claude mit Web-Search-Tool — und damit der zentrale Mechanismus, über den GEO-Optimierung wirksam wird. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/temperature-parameter - Lizenz: CC BY 4.0 - Zitiervorschlag: "Temperature (LLM-Parameter) (geoquality.ai Glossar, Biner 2026)"