- Englisch
- Fine-tuning
- Auch genannt
- Finetuning, Fine Tuning, Feinabstimmung, Nachtraining, nachtrainiert, feinabgestimmt
- Thema
- Modelle & Technik
Fine-Tuning bedeutet, ein bereits trainiertes KI-Modell mit zusätzlichen, gezielt ausgewählten Daten weiterzutrainieren. Das Modell behält sein allgemeines Wissen und lernt dazu etwas Bestimmtes, etwa einen Zeichenstil, ein Produkt oder das Aussehen einer Figur. Der Aufwand ist viel geringer als ein Training von Grund auf.
Wie funktioniert Fine-Tuning?
Ausgangspunkt ist ein großes Grundmodell, das schon weiß, wie Menschen, Licht und Bewegung aussehen. Du stellst eine kleinere Sammlung eigener Beispiele zusammen, bei Bild- und Videomodellen jeweils mit einer Textbeschreibung. Im Training passt das Modell seine Gewichte ein Stück weit an diese Beispiele an. Danach reagiert es auf bestimmte Begriffe oder Prompts mit dem gelernten Stil oder der gelernten Figur.
Beim vollständigen Fine-Tuning werden alle Gewichte verändert. Das braucht viel Grafikspeicher und ergibt eine neue, große Modelldatei. Deshalb ist bei Bild- und Videomodellen ein sparsameres Verfahren verbreitet: LoRA, beschrieben im Paper LoRA: Low-Rank Adaptation of Large Language Models. Dabei bleiben die Originalgewichte unverändert, und nur eine kleine Zusatzschicht wird trainiert.
Wofür nutzen Kreative Fine-Tuning?
Typische Ziele sind wiedererkennbare Figuren, die über viele Clips gleich aussehen, ein einheitlicher Look für eine Marke, bestimmte Produkte, die originalgetreu dargestellt werden sollen, oder Bewegungsarten und Kameraeffekte, die das Grundmodell nicht gut beherrscht. Manche Web-Tools bieten das als einfache Funktion an, bei der du nur Bilder hochlädst. Bei offenen Modellen trainierst du selbst, meist mit eigener Grafikkarte oder gemieteter Rechenleistung.
Worauf du achten solltest
Ein Fine-Tuning ist nur so gut wie die Daten. Unscharfe, einseitige oder schlecht beschriebene Beispiele führen zu Fehlern, die sich in jedem Clip wiederholen. Trainierst du zu lange, verliert das Modell an Flexibilität und erzeugt fast nur noch Varianten deiner Beispiele. Verwende nur Material, an dem du die Rechte hast. Für Gesichter echter Personen brauchst du deren Einwilligung, mehr dazu im Ratgeber Rechtliches bei KI-Videos.
Häufige Fragen zu Fine-Tuning
Was ist der Unterschied zwischen Fine-Tuning und LoRA?
LoRA ist eine besonders sparsame Form des Fine-Tunings. Statt alle Gewichte des Modells zu ändern, trainiert sie nur eine kleine Zusatzschicht. Das geht schneller, braucht weniger Speicher und ergibt eine kleine Datei, die du zum Grundmodell dazuladen kannst.
Wie viele Bilder oder Videos brauche ich für ein Fine-Tuning?
Das hängt von Ziel und Verfahren ab. Für eine Figur oder einen Stil reichen bei LoRA oft wenige Dutzend gut ausgewählte Beispiele. Wichtiger als die Menge ist, dass die Beispiele sauber, abwechslungsreich und gut beschrieben sind.
Relevante Glossareinträge
- LoRALoRA (Low-Rank Adaptation) ist ein Verfahren, mit dem du ein KI-Modell mit wenig Aufwand auf einen Stil, eine Figur oder ein Produkt nachtrainierst.
- Foundation ModelEin Foundation Model ist ein großes, breit trainiertes KI-Modell, das als Grundlage für viele Aufgaben dient und sich für Spezialfälle anpassen lässt.
- TrainingsdatenTrainingsdaten sind die Bilder, Videos, Texte und Töne, aus denen ein KI-Modell lernt. Sie bestimmen, was ein Videogenerator darstellen kann.
- CheckpointEin Checkpoint ist eine Datei mit den Gewichten eines KI-Modells zu einem bestimmten Trainingsstand. Lokal geladen, erzeugt sie Bilder oder Videos.
- Charakter-KonsistenzCharakter-Konsistenz bedeutet, dass eine Figur über mehrere KI-Videoclips hinweg gleich aussieht. Erreicht wird das meist über Referenzbilder.
- 4K4K ist eine Videoauflösung mit 3840 × 2160 Pixeln (Ultra HD), viermal so viele wie Full HD. Bei KI-Videos oft nur per Upscaling oder in teuren Plänen.

Geschrieben von
Autor & Visual Designer · Co-Founder newcreation Media GmbH
Jochen Sahm ist seit 17 Jahren Designer, Freelancer und Photoshop-Experte und Co-Founder der newcreation Media GmbH. Dort verantwortet er KI, Automatisierung und die Wahl der richtigen Werkzeuge. Zuletzt aktualisiert am 26.10.2026.























