💬 NLP

WorldTravel: A Realistic Multimodal Travel-Planning Benchmark with Tightly Coupled Constraints

Das Paper stellt **WorldTravel** vor, einen neuen, realistischen Benchmark für die multimodale Reiseplanung, der zeigt, dass selbst modernste KI-Modelle an der komplexen Koordination eng miteinander verknüpfter zeitlicher und logischer Bedingungen sowie der visuellen Wahrnehmung von Webseiten scheitern.

Ursprüngliche Autoren: Zexuan Wang, Chenghao Yang, Yingqi Que, Zhenzhu Yang, Huaqing Yuan, Yiwen Wang, Zhengxuan Jiang, Shengjie Fang, Zhenhe Wu, Zhaohui Wang, Zhixin Yao, Jiashuo Liu, Jincheng Ren, Yuzhen Li, Yang Yang, Ji

Veröffentlicht 2026-02-10

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zexuan Wang, Chenghao Yang, Yingqi Que, Zhenzhu Yang, Huaqing Yuan, Yiwen Wang, Zhengxuan Jiang, Shengjie Fang, Zhenhe Wu, Zhaohui Wang, Zhixin Yao, Jiashuo Liu, Jincheng Ren, Yuzhen Li, Yang Yang, Jiaheng Liu, Jian Yang, Zaiyuan Wang, Ge Zhang, Zhoufutu Wen, Wenhao Huang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stell dir vor, du planst einen perfekten Urlaub in Europa. Du möchtest morgens das Louvre-Museum besuchen, mittags in einem schicken Bistro essen und nachmittags mit dem Zug weiterfahren. Aber es gibt ein Problem: Das Museum hat nur bestimmte Einlasszeiten, das Bistro ist mittags voll, und wenn dein Zug um 15:20 Uhr fährt, darfst du keine Sekunde zu spät kommen. Ein einziger kleiner Fehler – eine verpasste Reservierung oder eine zu kurze Pause – und dein ganzer Zeitplan bricht wie ein Kartenhaus zusammen.

Genau hier setzt die wissenschaftliche Arbeit "WorldTravel" an. Hier ist die Erklärung auf Deutsch:

Das Problem: Die "Domino-Falle" der Planung

Bisherige KI-Modelle (wie ChatGPT) sind wie sehr kluge Assistenten, die zwar tolle Ideen haben, aber oft wie ein Tourist ohne Uhr agieren. Wenn man sie bittet, eine Reise zu planen, geben sie oft Listen aus, die zwar schön klingen, aber in der Realität unmöglich sind. Sie vergessen, dass man von A nach B laufen muss, oder sie planen ein 4-stündiges Museumsbesuch ein, wenn das Museum nur 2 Stunden offen hat.

Die Forscher nennen das "tightly coupled constraints" (eng gekoppelte Bedingungen). Das ist wie beim Domino-Spiel: Wenn du den ersten Stein falsch stellst, fallen alle anderen auch um.

Die Lösung: WorldTravel – Der "Härtetest" für KIs

Die Forscher haben eine neue Art von Test entwickelt, den sie WorldTravel nennen. Das ist kein einfacher Text-Test, sondern ein digitales Hindernisrennen.

Die digitale Welt (Webscape): Die KI darf nicht einfach nur eine fertige Liste bekommen. Sie muss sich wie ein echter Mensch durch das Internet "kämpfen". Sie muss auf virtuelle Webseiten gehen, auf Buttons klicken, Menükarten lesen und auf Screenshots von Buchungsseiten schauen, um zu sehen, ob ein Termin noch frei ist oder schon "ausverkauft" (grau hinterlegt) ist.
Echte Komplexität: Es gibt 150 Szenarien in Städten wie Berlin, Rom oder Wien. Jede Reise hat über 15 knifflige Regeln (Zeitfenster, Budgets, Vorlieben).

Die Entdeckung: Die "Wahrnehmungs-Lücke"

Was haben die Forscher herausgefunden? Die Ergebnisse sind ein Weckruf für die KI-Entwicklung. Selbst die schlausten Modelle (wie das im Paper erwähnte GPT-5.2) scheitern kläglich:

Das "Seh-Problem" (Perception-Action Gap): Die KI ist zwar ein Genie im Denken (Text), aber sie ist "blind" für Details auf Bildern. Wenn die Information über eine geschlossene Attraktion in einem Screenshot versteckt ist, versteht die KI das oft nicht. Das ist so, als wäre man ein Mathe-Professor, der aber nicht lesen kann, was auf dem Stundenplan steht.
Die "10-Regel-Grenze": Die Forscher fanden heraus, dass die Intelligenz der KI bei etwa 10 Regeln einbricht. Bis dahin klappt es halbwegs, aber sobald der Plan komplexer wird (z. B. 12 oder 15 Bedingungen), verliert die KI den Überblick und der Plan wird unbrauchbar.

Fazit: Was bedeutet das für uns?

Die Arbeit zeigt uns, dass wir noch nicht so weit sind, der KI die komplette Reiseplanung zu überlassen. Damit eine KI wirklich wie ein menschlicher Reiseverkehrskaufmann funktioniert, muss sie zwei Dinge gleichzeitig perfekt beherrschen: Scharfes Sehen (um Details auf Webseiten zu finden) und logisches Schachspielen (um den Zeitplan so zu jonglieren, dass kein Domino-Stein umfällt).

Kurz gesagt: WorldTravel ist der digitale "Stresstest", der zeigt, dass KIs zwar tolle Reiseführer sein können, aber noch keine zuverlässigen Reiseplaner.

Zusammenfassung: WorldTravel

1. Problemstellung (The Problem)

Die Planung komplexer Reise-Itineraries ist ein hochdimensionales Optimierungsproblem, das durch eng gekoppelte (tightly coupled) Randbedingungen gekennzeichnet ist. Eine einzige Entscheidung (z. B. die Buchung eines Museumsbesuchs um 10:00 Uhr) hat kaskadierende Auswirkungen auf alle nachfolgenden Aktivitäten (Mittagessen, Transport, nächste Sehenswürdigkeit).

Aktuelle Benchmarks für KI-Agenten leiden unter zwei Hauptmängeln:

Lose Kopplung: Die Aufgaben sind oft so gestaltet, dass lokale, "gierige" (greedy) Entscheidungen ausreichen, um eine globale Lösung zu finden. Ein Fehler in einem Teilschritt macht den gesamten Plan nicht unmöglich.
Idealisierte Daten: Informationen werden meist in strukturierten Formaten (wie JSON) bereitgestellt. In der Realität müssen Informationen jedoch aus unstrukturierten, visuellen Webseiten (UI-Layouts, Buchungsportale, Menüs) extrahiert werden.

2. Methodik (Methodology)

Die Autoren führen WorldTravel ein, ein Benchmark-Framework, das aus zwei Hauptkomponenten besteht:

WorldTravel-Aufgaben: 150 realistische Szenarien in fünf europäischen Städten (Berlin, Wien, Rom, Florenz, Barcelona). Jede Aufgabe enthält durchschnittlich über 15 interdependenten zeitlichen und logischen Randbedingungen.
WorldTravel-Webscape (Die Umgebung): Eine multimodale Umgebung mit über 2.000 gerenderten Webseiten. Agenten interagieren nicht mit Textdaten, sondern über Tool-Calls mit visuellen Oberflächen (Screenshots). Sie müssen Parameter wie Öffnungszeiten, Ticketpreise, verfügbare Zeitfenster (und deren Verfügbarkeit, z. B. "ausverkauft") sowie Mindestaufenthaltsdauern direkt aus den visuellen Layouts wahrnehmen.

Constraint-Taxonomie:

Hard Constraints (CH): Zeitliche Machbarkeit (z. B. Zeitfenster für Reservierungen, Betriebszeiten, Mindestbesuchsdauer, Pufferzeiten für den Transport). Ein Verstoß macht den Plan unbrauchbar.
Soft Constraints (CS): Entscheidungsqualität (z. B. Kostenoptimierung, Hotelpräferenzen).

3. Hauptbeiträge (Key Contributions)

Neuartiger Benchmark: Einführung eines Frameworks, das die Lücke zwischen reinem Text-Reasoning und realer, multimodalem Web-Interaktion schließt.
Identifikation der "Perception-Action Gap": Nachweis, dass die Fähigkeit, Informationen visuell wahrzunehmen, ein separater Flaschenhals zur logischen Planung ist.
Identifikation des "Planning Horizon": Feststellung einer Kapazitätsgrenze der Modelle bei der Bewältigung zunehmender Komplexität.
Verifizierbares Design: Ein vollautomatisches Evaluierungssystem, das durch Experten-Rubriken sicherstellt, dass Lösungen deterministisch und korrekt geprüft werden können.

4. Ergebnisse (Results)

Die Evaluierung von 10 führenden Modellen (darunter GPT-5.2, Claude-Opus-4.5, Gemini-3-Pro) zeigt ein massives Leistungsdefizit:

Performance-Einbruch: Das beste Modell (GPT-5.2) erreicht in einer Text-Umgebung eine Machbarkeitsrate (Feasibility Rate) von 32,67 %. In der multimodalen Umgebung (mit Screenshots) sinkt dieser Wert drastisch auf 19,33 %. Dieser Rückgang von ~13 Prozentpunkten belegt die Perception-Action Gap.
Planning Horizon: Die Leistung bricht zusammen, sobald die Anzahl der Hard Constraints etwa 10 überschreitet. Jenseits dieser Schwelle sinkt die Machbarkeit fast auf Null.
Unabhängige Engpässe: Selbst wenn die Parameter perfekt in strukturiertem Text bereitgestellt werden (Gold- $\theta$ Ablation), bleibt die Machbarkeit gering (max. 36,67 %). Das bedeutet: Selbst wenn die Wahrnehmung perfekt ist, scheitert die logische Planung der zeitlichen Abhängigkeiten.
Schwierigste Constraints: "Timed-Entry Slots" (feste Zeitfenster für Reservierungen) sind die am schwersten zu bewältigende Randbedingung.

5. Bedeutung (Significance)

Das Paper zeigt auf, dass aktuelle Large Language Models (LLMs) und Vision-Language Models (VLMs) noch weit davon entfernt sind, autonome Agenten für komplexe, reale Logistikaufgaben zu sein. Die Forschung muss sich nicht nur auf die Verbesserung des logischen Schließens (Reasoning) konzentrieren, sondern auch auf die hochpräzise visuelle Wahrnehmung von UI-Elementen und die Fähigkeit, langfristige, hochgradig gekoppelte zeitliche Abhängigkeiten zu koordinieren. WorldTravel dient somit als kritischer Teststand für die nächste Generation von autonomen Agenten.