In Kürze

  • Forschende um William Gilpin zeigen in einer am 4. September 2026 auf arXiv veröffentlichten Studie, dass sogenannte Reasoning-Modelle beim Lösen schwieriger Aufgaben ein Verhalten zeigen, das der «transienten Chaos» aus der nichtlinearen Physik entspricht – mit fraktalen Strukturen, die mit zunehmendem Schwierigkeitsgrad der Aufgabe deutlicher werden.
  • Untersucht wurden mehrere aktuelle Reasoning-Architekturen an Aufgaben wie Sudoku, Labyrinth-Lösen, visuellen Rätseln und mathematischer Logik; die Modelle bleiben demnach in ihrem internen Lösungsprozess wiederholt in der Nähe von «Sattelpunkten» hängen – also bei beinahe richtigen Zwischenlösungen.
  • Die Studie liefert damit erstmals eine physikalisch fundierte Erklärung dafür, weshalb Reasoning-Modelle bei schwierigeren Aufgaben länger «nachdenken» und weshalb zwei nahezu identische Anfragen zu Denkprozessen mit zehnfach unterschiedlicher Länge und entsprechend stark schwankenden Tokenkosten führen können.

Was ist passiert?

Eine Forschungsgruppe um William Gilpin hat am 4. September 2026 die Studie «Fractal basins trap latent reasoning» als Preprint auf arXiv veröffentlicht. Die Arbeit untersucht ein seit längerem bekanntes, aber bislang unerklärtes Phänomen: Reasoning-Modelle – KI-Systeme, die ihre eigenen Zwischenschritte iterativ überprüfen und korrigieren können – benötigen bei schwierigeren Aufgaben systematisch mehr Rechenschritte als bei einfachen, ohne dass der genaue Mechanismus dahinter bislang bekannt war. Die Autoren zeigen anhand mehrerer aktueller Reasoning-Architekturen, dass sich dieses Verhalten mit Konzepten aus der nichtlinearen Physik beschreiben lässt.

Konkret untersuchten die Forschenden das interne Lösungsverhalten der Modelle bei Aufgaben wie Sudoku, Labyrinth-Lösen, visuellen Puzzles und mathematischer Logik. Dabei stellten sie fest, dass sich die Modelle wie dynamische Systeme mit sogenannten fraktalen Becken («fractal basins») verhalten: Je schwieriger die Aufgabe, desto stärker prägt sich diese fraktale Struktur aus. Der Denkprozess des Modells bleibt dabei wiederholt für längere Zeit in der Nähe von Sattelpunkten hängen – das sind Zwischenzustände, die einer nahezu richtigen, aber noch nicht vollständig korrekten Lösung entsprechen, bevor das Modell schliesslich zur endgültigen Antwort findet.

Warum ist das wichtig?

Die Erkenntnis hat unmittelbare praktische Konsequenzen, denn sie erklärt ein Phänomen, das viele Nutzerinnen und Nutzer von Reasoning-Modellen aus eigener Erfahrung kennen: Zwei nahezu identisch formulierte Anfragen können zu Denkprozessen führen, die sich in ihrer Länge – und damit in den anfallenden Tokenkosten – um das Zehnfache unterscheiden. Bislang liess sich dieses Verhalten kaum vorhersagen; die neue Studie liefert erstmals eine physikalisch fundierte Erklärung, warum genau diese extreme Empfindlichkeit gegenüber kleinen Unterschieden im Ausgangszustand auftritt, und eröffnet damit auch neue Ansätze, um Reasoning-Modelle gezielter zu steuern oder ihr Verhalten vorherzusagen.

Für die KI-Forschung insgesamt ist die Arbeit ein Beispiel dafür, wie Methoden aus der klassischen nichtlinearen Physik – ursprünglich entwickelt zur Beschreibung chaotischer physikalischer Systeme – auf moderne KI-Architekturen übertragen werden können, um deren Verhalten besser zu verstehen als mit reinen Leistungskennzahlen. Praktisch bedeutet das für Unternehmen und Forschungseinrichtungen, die Reasoning-Modelle produktiv einsetzen, dass unvorhersehbare Rechenzeiten und -kosten kein vermeidbarer Softwarefehler, sondern eine strukturelle Eigenschaft dieser Modellklasse sind – ein Aspekt, den technische Teams bei der Auslegung von Zeit- und Kostenlimiten von Anfang an berücksichtigen sollten.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Für Schweizer Unternehmen, die reasoning-fähige Modelle über die API abrechnen lassen, liefert die Studie eine wissenschaftliche Erklärung für ein in der Praxis oft beobachtetes, aber schwer kalkulierbares Problem: stark schwankende Tokenkosten bei scheinbar ähnlichen Anfragen erschweren die verlässliche Budgetierung von KI-gestützten Arbeitsabläufen.
  • Für die Schweizer KI-Forschung an Institutionen wie der ETH Zürich, der EPFL oder dem neu gegründeten Swiss National AI Institute liefert die Arbeit ein methodisches Werkzeug aus der nichtlinearen Dynamik, mit dem sich das Verhalten von Reasoning-Modellen systematischer analysieren lässt als mit reinen Leistungsbenchmarks.
  • Praktisch bedeutet der Befund für Schweizer Entwicklungsteams, dass harte Zeit- oder Kostenlimiten für Reasoning-Aufrufe nicht als Ausnahmefall, sondern als strukturelles Merkmal dieser Modellklasse eingeplant werden sollten – etwa durch Obergrenzen für Denkschritte oder Rückfallmechanismen auf einfachere Modelle bei Zeitüberschreitung.

Verwendete Quellen

Die Studie «Fractal basins trap latent reasoning» von Jeffrey Lai, Anthony Bao, John Quinn und William Gilpin wurde am 4. September 2026 als Preprint auf arXiv veröffentlicht; die Redaktion stützt sich auf die veröffentlichte Zusammenfassung sowie Einordnungen in Fachmedien.

Quellenstatus: 1 verlinkte Quelle · 0 von 1 Originaldaten verifiziert. Prüfregeln ansehen

Häufige Fragen

Was ist die Kernaussage zu Warum KI-Modelle beim Nachdenken «hängen bleiben»: Studie erklärt unberechenbare Rechenkosten von Reasoning-Modellen?

Forschende um William Gilpin zeigen in einer am 4. September 2026 auf arXiv veröffentlichten Studie, dass sogenannte Reasoning-Modelle beim Lösen schwieriger Aufgaben ein Verhalten zeigen, das der «transienten Chaos» aus der nichtlinearen Physik entspricht – mit fraktalen Strukturen, die mit zunehmendem Schwierigkeitsgrad der Aufgabe deutlicher werden.

Warum ist diese KI-Meldung für die Schweiz relevant?

Für Schweizer Unternehmen, die reasoning-fähige Modelle über die API abrechnen lassen, liefert die Studie eine wissenschaftliche Erklärung für ein in der Praxis oft beobachtetes, aber schwer kalkulierbares Problem: stark schwankende Tokenkosten bei scheinbar ähnlichen Anfragen erschweren die verlässliche Budgetierung von KI-gestützten Arbeitsabläufen.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

Die Studie «Fractal basins trap latent reasoning» von Jeffrey Lai, Anthony Bao, John Quinn und William Gilpin wurde am 4. September 2026 als Preprint auf arXiv veröffentlicht; die Redaktion stützt sich auf die veröffentlichte Zusammenfassung sowie Einordnungen in Fachmedien.