Masterarbeit: Benchmark für räumliches Denken

22.05.2026, Abschlussarbeiten, Bachelor- und Masterarbeiten

Ziel dieser Arbeit ist ein Benchmark zur Evaluierung des räumlichen Vorstellungsvermögens von LLMs. Da KI-Modelle oft Probleme bei der 3D-Planung haben, dienen Klemmbausteine als diskretes Medium, um diese Fähigkeiten messbar zu machen. Der Fokus liegt auf der Generierung synthetischer Datensätze, der Definition von Bewertungsmetriken sowie der Validierung KI-generierter Baupläne in Simulationen.

Aktuelle Large Language Models (LLMs) zeigen beeindruckende Fähigkeiten in der Textverarbeitung, stoßen jedoch bei komplexen Aufgaben des räumlichen Vorstellungsvermögens oft an ihre Grenzen. Während die logische Schlussfolgerung in der Sprache fortgeschritten ist, bleibt die Fähigkeit, 3D-Strukturen präzise zu planen und zu manipulieren, eine Herausforderung. Klemmbausteine bieten hierfür ein ideales, diskretes Medium, um die räumliche Intelligenz von KI-Modellen messbar zu machen. Unser Ziel ist die Entwicklung einer Benchmarks analog zu Ansätzen wie Minebench, die evaluiert, inwieweit LLMs in der Lage sind, Bauanleitungen zu verstehen, stabile 3D-Strukturen zu entwerfen oder räumliche Beziehungen zwischen Objekten korrekt zu beschreiben.

Für Ihre Arbeit im Bereich des räumlichen Denkens und der Benchmark-Entwicklung stehen Ihnen folgende Forschungsfelder offen:

• Entwicklung von Verfahren zur synthetischen Generierung von Klemmbausteinobjekten
• Definition von Metriken zur Bewertung der räumlichen Korrektheit von KI-generierten Bauplänen
• Untersuchung von Reasoning-Strategien (z.B. Chain-of-Thought) zur Lösung von 3D-Konstruktionsaufgaben
• Integration von LLMs in 3D-Simulatoren zur Validierung von Bauanleitungen

Wir bieten:

• Ein innovatives Forschungsthema an der Schnittstelle von LLMs und Geometrie
• Ausarbeitung auf Deutsch oder Englisch möglich

Anforderungen:

• Eigeninitiative und eine starke Leidenschaft für Problemlösung und räumliche Logik
• Fortgeschrittene Kenntnisse in Python (idealerweise Erfahrung mit transformers, openAI/langchain)
• Erfahrung mit Klemmbausteinen und dem Dateiformat ldr von Vorteil
• Grundkenntnisse in Maschinellem Lernen und dem Umgang mit LLMs
• Interesse an Computergrafik oder algorithmischer Geometrie ist ein großer Vorteil

Die Arbeiten können ab sofort begonnen werden. Sind Sie an dem Thema interessiert oder haben Sie Fragen?
Dann melden Sie sich bei [André Schamschurko] ([andre.schamschurko@tum.de])

Kontakt: andre.schamschurko@tum.de