Begriff
Model Card
Eine Model Card ist ein standardisiertes Datenblatt zu einem KI-Modell — sie dokumentiert Zweck, Trainingsdaten, Leistung, Limitierungen und ethische Hinweise an einer Stelle.
Model Card — ausführlicher erklärt
Das Konzept geht auf das Paper „Model Cards for Model Reporting” (Mitchell et al., Google, 2019) zurück und hat sich seitdem zum De-facto-Standard entwickelt. Eine typische Model Card beschreibt: was das Modell tut und wofür es gedacht ist, mit welchen Daten und Methoden es trainiert wurde, welche Benchmark-Werte es erreicht, welche Bias- und Sicherheitsanalysen vorliegen, welche bekannten Schwächen oder Out-of-Scope-Anwendungen existieren, sowie Lizenz und verantwortliche Stelle. Auf Hugging Face ist die Model Card die README.md im Modell-Repository — viele Tools (Inferenz-Server, Evaluations-Pipelines) lesen Felder daraus automatisch aus.
Beispiel / Praxisbezug
Wer ein lokales LLM auswählen will, geht typischerweise so vor: Kandidaten-Modell auf Hugging Face öffnen, Model Card lesen — Lizenz prüfen (kommerziell nutzbar?), Trainings-Cutoff prüfen (wie aktuell ist das Wissen?), Benchmark-Werte mit der eigenen Aufgabe abgleichen, Limitierungs-Sektion auf bekannte Schwächen scannen. Anbieter wie Anthropic und OpenAI veröffentlichen für ihre Closed-Source-Modelle ähnliche Dokumente — meist als „Model Card” oder „System Card”.
Abgrenzung zu ähnlichen Begriffen
Eine Datasheet for Datasets dokumentiert analog einen Trainings-Datensatz statt eines Modells. Eine System Card (OpenAI/Anthropic) ist eine erweiterte Model Card, die auch Sicherheits-Evaluierungen und Red-Team-Ergebnisse enthält. Datasheets, Benchmark-Reports und Lizenz-Dateien sind eigenständige Dokumente — die Model Card bündelt die für Anwender wichtigste Information an einer Stelle.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarReasoning Effort
Reasoning Effort ist ein Steuerparameter moderner Reasoning-Modelle, der festlegt, wie viel internes Schritt-für-Schritt-Denken (Thinking-Tokens) ein Modell vor der Antwort aufwendet — höhere Stufen erhöhen Qualität, aber auch Latenz und Kosten.
LexikonHalluzinationen bei LLMs — Ursachen und Gegenmittel
Warum LLMs selbstbewusst Falsches erfinden, welche Typen von Halluzinationen es gibt und welche Gegenmittel wirklich helfen — RAG, Quellenzwang, Verifikation.