Multi-Turn-Editing

Wer mit einem Chat-Programm oder einem Bildgenerator arbeitet, bekommt selten beim ersten Versuch genau das, was er wollte. Also schreibt man nach: „Mach den Text kürzer.“ Dann: „Und jetzt förmlicher.“ Dann: „Der letzte Satz kann weg.“ Jede dieser Anweisungen ist eine eigene Runde, auf Englisch ein Turn. Multi-Turn-Editing ist genau dieses Vorgehen: ein Ergebnis über mehrere Runden hinweg schrittweise verändern, statt alles in einer einzigen perfekten Anweisung zu verlangen. Der entscheidende Punkt dabei ist, dass jede neue Anweisung sich auf das bezieht, was vorher entstanden ist.

Warum niemand den perfekten ersten Prompt schreibt

Menschen wissen meistens erst dann genau, was sie wollen, wenn sie einen Entwurf vor sich sehen. Das gilt für Aufsätze genauso wie für Bilder oder Programmcode. Ein System, das nur eine einzige Anweisung verarbeiten kann, zwingt einen dazu, jeden Wunsch vorher zu formulieren. Das ist mühsam und funktioniert in der Praxis kaum.

Multi-Turn-Editing macht die Zusammenarbeit deshalb realistischer. Man startet mit einer groben Idee und arbeitet sie gemeinsam mit dem System aus. Diese Arbeitsweise ist einer der Hauptgründe, warum Chat-Oberflächen sich gegenüber einfachen Eingabefeldern durchgesetzt haben.

Für Firmen ist das Thema auch wirtschaftlich wichtig. Ein Modell, das nach drei Korrekturen den ursprünglichen Auftrag vergisst, ist im Berufsalltag unbrauchbar. Deshalb testen Entwickler ihre Modelle inzwischen gezielt über lange Gesprächsverläufe und nicht mehr nur mit Einzelfragen.

Was das Modell zwischen zwei Runden mitnimmt

Technisch gesehen hat ein Sprachmodell kein Gedächtnis. Es bekommt bei jeder Anfrage den gesamten bisherigen Gesprächsverlauf noch einmal neu übergeben: alle früheren Anweisungen und alle früheren Antworten. Aus diesem Text berechnet es die nächste Antwort. Der Eindruck, dass sich das System an etwas erinnert, entsteht also nur dadurch, dass man ihm alles wiederholt vorlegt.

Daraus ergibt sich ein Problem. Der Platz für diesen Verlauf ist begrenzt, man nennt ihn Kontextfenster. Wird ein Gespräch zu lang, fallen die ältesten Teile heraus oder werden zusammengefasst. Genau dann verliert das Modell Vorgaben, die man ganz am Anfang gemacht hat.

Bei Bildern funktioniert es anders. Dort soll eine Änderung wie „gib der Person eine Brille“ nur eine Stelle betreffen und den Rest unangetastet lassen. Viele ältere Systeme erzeugten stattdessen ein komplett neues Bild, das dem alten nur ähnelte. Nach fünf Runden sah das Gesicht dann anders aus als am Anfang. Dieses langsame Abdriften heißt Drift und ist die typische Schwäche des Verfahrens.

Vom Bildgenerator bis zum Coding-Assistenten

Am sichtbarsten ist Multi-Turn-Editing in Bildwerkzeugen. Man erzeugt ein Motiv und ändert danach Hintergrund, Farben oder einzelne Objekte per Textanweisung. Wenn Anbieter damit werben, dass ihr Modell die Bildkonsistenz über mehrere Bearbeitungen hält, meinen sie genau dieses Problem.

Genauso zentral ist es beim Programmieren. Assistenten wie GitHub Copilot oder Cursor schlagen Code vor, den man testet, ablehnt oder anpassen lässt. Ein einzelnes Feature entsteht so über zehn oder zwanzig Runden. Das Werkzeug muss dabei wissen, welche Dateien es bereits geändert hat.

In Fachnachrichten taucht der Begriff meist im Zusammenhang mit Benchmarks auf, also mit standardisierten Vergleichstests. Diese Tests prüfen, wie gut ein Modell nach mehreren Korrekturen noch bei der Sache ist. Ein häufiger Irrtum ist übrigens, Multi-Turn-Editing mit einem dauerhaften Nutzergedächtnis zu verwechseln. Der Gesprächsverlauf gilt nur für diese eine Sitzung und ist beim nächsten Chat wieder weg.