Blocksworld‑LLMs: Optimale Planung ohne klassische Suchalgorithmen

In einer neuen Studie zeigen Large Language Models (LLMs) beeindruckende Fortschritte bei klassischen KI‑Planungsaufgaben. Während bisherige Benchmarks vor allem die Erfolgsrate von Modellen misst, untersuchte die Arbeit die Fähigkeit von LLMs, tatsächlich optimale Pläne zu erzeugen, anstatt sich auf einfache Heuristiken zu verlassen.

Der Fokus lag auf dem Blocksworld‑Domänen, in dem Stapel von farblich gekennzeichneten Blöcken von einer Ausgangs- zur Zielkonfiguration bewegt werden müssen. Parallel dazu wurde ein formal äquivalenter Task – der Path‑Star‑Graph – eingesetzt, um reine topologische Überlegungen von semantischen Vorwissen zu trennen.

Durch gezielte Manipulation von Problem­tiefe (Blockhöhe), Breite (Anzahl der Stapel) und Kompositions­grad (Anzahl der Zielblöcke) konnten die Forscher die Grenzen traditioneller Suchalgorithmen wie LAMA aufzeigen. Diese Algorithmen stürzen bei wachsender Komplexität ab, während LLMs die theoretischen Optimalitäts­grenzen mit nahezu perfekter Genauigkeit erreichen – selbst wenn domänenspezifische Hinweise entfernt werden.

Die Ergebnisse lassen sich durch zwei Hypothesen erklären: Erstens führen LLMs eine aktive algorithmische Simulation über sogenannte Reasoning‑Tokens durch, und zweitens nutzen sie ein geometrisches Gedächtnis, das die Topologie des Path‑Star‑Graphen als navigierbare globale Geometrie darstellt. Diese Mechanismen ermöglichen es den Modellen, die exponentielle Kombinatorik zu umgehen und dennoch optimale Pläne zu generieren.

Die Studie unterstreicht damit das enorme Potential von LLMs für komplexe Planungsaufgaben und eröffnet neue Perspektiven für die Entwicklung von KI‑Systemen, die sowohl effizient als auch optimal handeln können.