# Zero-Shot-Klassifikation: wie ein Modell Regeln in normalen Worten versteht

> Wie setzt ein Modell „Keine Spoiler“ durch, ohne auf diese Regel trainiert zu sein? Natural Language Inference und eigene Moderationsregeln erklärt.

Source: https://www.vigimod.com/de/learn/zero-shot-classification-nli · VigiMod (https://www.vigimod.com) · aktualisiert am 2026-11-11 · 7 min

## Kurz gesagt

- Ein Zero-Shot-Klassifikator kann Kategorien prüfen, auf die er nie trainiert wurde, wenn sie als Satz formuliert sind.
- Viele arbeiten mit Natural Language Inference (NLI): Folgt aus diesem Text diese Hypothese?
- Eigene Moderationsregeln („Kein Verkauf von Accounts“) werden zu Hypothesen, die wie jede Kategorie bewertet werden.
- Kurze, konkrete Regeln funktionieren am besten; vage Regeln ergeben vage Werte.

## Das Problem

Ein klassischer Klassifikator kennt nur die Kategorien, auf die er trainiert wurde. Aber jede Community hat eigene Regeln: keine Spoiler, kein Verkauf von Accounts, nur Fußballthemen, keine Links zu anderen Servern. Für jede Regel jeder Community ein neues Modell zu trainieren ist unmöglich.

**Zero-Shot-Klassifikation** löst das: Das Modell bekommt die Kategorie *als Satz* im Moment der Anfrage und beurteilt, ob der Text dazu passt.

## Natural Language Inference (NLI)

Viele Zero-Shot-Klassifikatoren beruhen auf einer Aufgabe namens **Natural Language Inference**. Das Modell bekommt zwei Texte:

- eine **Prämisse** (hier: die Chatnachricht),
- eine **Hypothese** (hier: eine Regel oder die Beschreibung einer Kategorie),

und entscheidet, ob aus der Prämisse die Hypothese **folgt**, ob sie ihr widerspricht oder neutral ist.

| Prämisse (Nachricht) | Hypothese | Antwort |
|---|---|---|
| „lol der Hund stirbt am Ende“ | „Diese Nachricht verrät die Handlung eines Films oder einer Serie.“ | folgt |
| „hat jemand das Finale gesehen?“ | „Diese Nachricht verrät die Handlung eines Films oder einer Serie.“ | folgt nicht |
| „verkaufe meinen Level-80-Account, schreibt mir“ | „Diese Nachricht bietet an, Spiel-Accounts zu kaufen oder zu verkaufen.“ | folgt |

Die Wahrscheinlichkeit für „folgt“ wird zum **Wert** der Regel. Derselbe Mechanismus funktioniert auch für feste Kategorien: „Beleidigung“ ist einfach die Hypothese „Diese Nachricht beleidigt eine Person“.

## Warum es verallgemeinert

Im Training sieht das Modell Hunderttausende Prämisse-Hypothese-Paare zu allen möglichen Themen. Es lernt nicht die Regeln selbst, sondern **die Fähigkeit zu prüfen**, ob ein Text zu einer Beschreibung passt. Diese Fähigkeit überträgt sich auf Regeln, die es nie gesehen hat, in jeder Sprache, die das Modell kennt.

## Gute Regeln schreiben

- **Konkret schlägt abstrakt.** „Kein Kaufen, Verkaufen oder Tauschen von Accounts oder Items“ funktioniert besser als „Respektiert die Wirtschaft“.
- **Eine Idee pro Regel.** Teile „Kein Spam und keine Politik“ in zwei Regeln.
- **Beschreibe das Verhalten, keine Wortliste.** „Verrate nicht das Ende von Filmen oder Serien“ erkennt Spoiler in jeder Formulierung.
- **Teste mit echten Beispielen** und passe die Schwelle an, wie bei jeder Kategorie.

## Kontext hilft auch Regeln

„Er stirbt am Ende“ ist nur ein Spoiler, wenn es im Gespräch um eine Serie geht. Zero-Shot-Modelle, die auch die vorherigen Nachrichten lesen, können Regeln beurteilen, die vom Chat abhängen; siehe [Kontext in der Moderation](https://www.vigimod.com/de/learn/context-in-moderation).

## In VigiMod

Regeln werden mit jeder Anfrage geschickt, bis zu 10, in jeder Sprache:

`"rules": {"no-spoilers": "Keine Spoiler zu Filmen oder Serien"}`

Jede Regel liefert ihren eigenen Wert und ihre Markierung (`rule:no-spoilers`), neben den eingebauten Kategorien. Details in der [Dokumentation](https://www.vigimod.com/en/docs).

## Quiz

1. Was bedeutet „Zero-Shot“ hier?
   Antwort: Das Modell braucht null Beispiele einer Regel, um sie zu prüfen. Die Regel wird zur Anfragezeit als Satz übergeben, ohne Training.
2. Bei NLI spielt die Chatnachricht die Rolle der…
   Antwort: Prämisse. Die Nachricht ist die Prämisse, die Regel die Hypothese.
3. Welche Regel funktioniert wahrscheinlich am besten?
   Antwort: „Kein Kaufen, Verkaufen oder Tauschen von Spiel-Accounts“. Konkrete Regeln über ein Verhalten ergeben klarere Werte.
4. Warum kann das Modell eine Regel prüfen, die es nie gesehen hat?
   Antwort: Es hat die allgemeine Fähigkeit gelernt zu prüfen, ob ein Text zu einer Beschreibung passt. NLI-Training lehrt das Abgleichen, keine bestimmten Regeln.