Modell-Checkpoint (Model Checkpoint)

Ein Modell-Checkpoint ist ein gespeicherter Zustand eines KI-Modells zu einem bestimmten Zeitpunkt. Er enthält typischerweise die Modellgewichte und kann je nach System auch Konfigurationen, Tokenizer, Trainingszustand oder Metadaten zur Version enthalten. Während des Trainings werden Checkpoints regelmäßig gespeichert, damit ein Lauf nach einem Fehler fortgesetzt oder ein früherer Zustand verglichen werden kann. Nach dem Training dient ein finaler Checkpoint als konkrete Modellversion, die getestet, ausgeliefert oder archiviert wird. Für Unternehmen ist der Begriff wichtig, weil produktive KI-Systeme nachvollziehbare Modellstände brauchen. Wenn ein Anbieter ein Modell aktualisiert oder ein offenes Modell neue Gewichte veröffentlicht, verändert sich nicht nur eine Versionsnummer. Es kann sich auch das Antwortverhalten, die Sicherheit, die Kostenstruktur oder die regulatorische Bewertung ändern. Checkpoints helfen, diese Änderungen zu isolieren: Welche Version wurde geprüft? Welche Version läuft in Produktion? Welche Version ist für Audits oder Rückfälle verfügbar? Ohne sauberes Checkpoint-Management werden Tests, Freigaben und Fehleranalysen schnell ungenau. Gerade bei regulierten oder sicherheitskritischen Anwendungen ist diese Versionstreue Voraussetzung für belastbare Dokumentation.