Wir präsentieren eine Methodik zur Verwendung dynamischer Evaluierung, um neuronale Sequenzmodelle zu verbessern. Die Modelle werden durch einen gradientenbasierten Mechanismus an die jüngste Geschichte angepasst, wodurch sie höhere Wahrscheinlichkeiten für wiederkehrende sequenzielle Muster zuweisen. In unseren Vergleichen übertrifft die dynamische Evaluierung bestehende Anpassungsansätze. Die dynamische Evaluierung verbessert den Stand der Technik in Bezug auf die Wort-Level-Perplexität auf den Datensätzen Penn Treebank und WikiText-2 auf 51,1 und 44,3 beziehungsweise und den Stand der Technik in Bezug auf die Zeichen-Level-Cross-Entropie auf den Datensätzen text8 und Hutter Prize auf 1,19 Bit/Zeichen und 1,08 Bit/Zeichen beziehungsweise.