Sternhalma-KI

JumpStar ist die weltweit stärkste KI-Engine für Sternhalma

Jetzt für iPhone JumpStar Sternhalma Spielen Sie offline gegen die stärkste KI, lösen Sie tägliche Rätsel, holen Sie sich Tipps und speichern Sie Wiedergaben. Laden

Die Entstehung

Ich habe JumpStar für meine Mutter gebaut. Das Projekt begann am 15. Mai 2026 in Indiana, als ich meinen Eltern half, aus unserem Elternhaus auszuziehen. Beim Packen fanden wir unser altes Sternhalma-Brett und schwelgten in Erinnerungen daran, wie viel Spaß es gemacht hatte, als Familie zu spielen.

Nachdem mein Bruder und ich zum Studium ausgezogen waren, hatte meine Mutter nach Sternhalma-Apps fürs iPhone gesucht, um allein weiterspielen zu können, aber keine davon taugte etwas. Angesichts der Erfolge von AlphaGo und Stockfish dachte ich, es gäbe sicher viele starke Open-Source-KI-Engines für Sternhalma - aber die gibt es nicht. Trotz seiner Beliebtheit und Eleganz hatte Sternhalma in der KI-Community erstaunlich wenig Beachtung gefunden. Diese Lücke hat mich dazu gebracht, JumpStar zu bauen.

Mein Ziel war es, die erste übermenschlich starke KI-Engine für Sternhalma zu bauen. Ein starker Computergegner würde es meiner Mutter ermöglichen, weiterzuspielen, auch wenn mein Bruder und ich nicht in der Nähe sind. Eine übermenschliche KI-Engine könnte sogar schöne neue Muster und Strategien im Spiel aufdecken, die bisher kaum bekannt waren.

Deshalb wurde das Projekt auch öffentlich. Eine starke private Engine ist interessant, aber für andere kaum zu bewerten oder zu verbessern. Der öffentliche KI-Benchmark für Sternhalma macht die Arbeit überprüfbar: ein Regelwerk, ein Protokoll, eine Sammlung von Stellungen, Vergleichsgegner, Protokolldateien und ein benanntes JumpStar-Modell, das andere Systeme herausfordern können.

Die Schönheit von Sternhalma

Sternhalma ist ein Wettrennen über ein sternförmiges Brett mit sechs Zacken. Jeder Spieler beginnt mit zehn Figuren in einem Dreieck und versucht, als Erster alle seine Figuren in das gegenüberliegende Dreieck zu bringen. Gespielt wird zu zweit, zu dritt, zu viert oder zu sechst. Es gibt nur zwei Bewegungsarten, Schritt und Sprung, und man kann keine Figuren schlagen. Das ist ein Grund, warum das Brett so lebendig wirkt: Einfache Zugregeln erzeugen komplexen Verkehr, wenn Spieler Sprungketten aufbauen und Gegner daran hindern, dasselbe zu tun.

Trotz seines englischen Namens Chinese Checkers („Chinesische Dame“) stammt das Spiel nicht aus China und ist eigentlich auch kein Damespiel. Meist wird es auf Stern-Halma zurückgeführt, eine deutsche Variante des Halma auf einem Sternbrett, die 1892 erschien. Der bekannte englische Name kam erst später durch amerikanisches Marketing auf, und seitdem ist es ein weltweit beliebtes Brettspiel.

So spielen Sie Sternhalma

Wenn Sie am Zug sind, bewegen Sie eine Ihrer Figuren. Eine Figur kann einen Schritt in ein freies Nachbarloch machen oder über ein benachbartes besetztes Loch in das freie Loch dahinter springen. Sprünge lassen sich aneinanderreihen, sodass ein einziger Zug bei passenden Abständen einen großen Teil des Bretts überqueren kann. Übersprungene Figuren bleiben auf dem Brett. Sie werden nicht geschlagen.

Ziel ist es, alle Ihre Figuren in das Dreieck zu bringen, das Ihrem Startdreieck direkt gegenüberliegt. Gutes Spiel bedeutet nicht nur, nach vorn zu stürmen. Sie müssen nützliche Leitern bauen, Ihre eigenen Figuren nicht blockieren, die volle Mitte geschickt nutzen und erkennen, wann ein Zug, der jetzt langsam aussieht, später einen schnelleren Weg schafft.

Zum Nachschlagen lesen Sie die kompletten Sternhalma-Regeln. Wenn Sie Ihr Spiel verbessern möchten, geht es weiter mit dem Strategie- und Taktik-Ratgeber von JumpStar.

Warum KI für Sternhalma spannend ist

Klassische Brettspiele stehen seit Jahrzehnten im Zentrum der KI-Forschung. IBMs Deep Blue besiegte 1997 Schachweltmeister Garri Kasparow. AlphaGo besiegte 2016 Lee Sedol. Diese Spiele wurden zu Meilensteinen, weil starkes Computerspiel veränderte, wie Menschen sie verstanden.

Für Sternhalma gab es kein vergleichbares öffentliches KI-Ökosystem. Verglichen mit Schach und Go gibt es weit weniger Engines, Benchmarks, Ranglisten, öffentliche Partiesammlungen oder gemeinsame Forschungswerkzeuge. Diese Lücke überrascht, denn das Spiel hat genau die Struktur, die KI-Systeme gern untersuchen: vollständige Information, kein Zufall, eine klare Siegbedingung und eine riesige Zahl möglicher Spielverläufe.

Selbst die ruhige Ausgangsstellung verzweigt sich schnell. Im Zwei-Spieler-Regelwerk von JumpStar gibt es in der Startstellung 14 erlaubte erste Züge. Nachdem jede Seite einmal gezogen hat, gibt es 196 mögliche Folgen aus zwei Halbzügen. Bei Tiefe drei sind es 4.760 mögliche Zugfolgen ab der Ausgangsstellung. Später in der Partie machen Sprungketten und verstopfte Bahnen die Entscheidungen viel weniger offensichtlich, als die Regeln vermuten lassen.

Was JumpStar ist

JumpStar ist eine durch Self-Play trainierte Sternhalma-Engine, aufgebaut auf einem kompakten Regel- und Suchkern in C++20, einem neuronalen Policy/Value-Modell und Monte-Carlo-Baumsuche. Ihr stärkster öffentlicher Checkpoint, JumpStar_60, ist der aktuelle Champion des Benchmarks CCERL-2P10-v2. Das Überraschende ist die Effizienz: Alle JumpStar-Modelle wurden auf einem MacBook M4 trainiert und nicht auf den großen TPU/GPU-Clustern, mit denen die bahnbrechenden Go- und Schachsysteme verbunden sind.

Der Anspruch ist übermenschliches Spiel, doch die öffentliche Behauptung ist bewusst überprüfbar: JumpStar scheint im Zwei-Spieler-Regelprofil übermenschlich oder nahezu übermenschlich zu spielen, und CCERL gibt es, damit künftige Engines dieses Ergebnis herausfordern können.

Das System

JumpStar ist nicht nur ein Modell-Checkpoint. Es ist ein vollständiger Engine- und Benchmark-Stack: Brettdarstellung, Regeln, Suche, Self-Play, Trainingsdaten, Schiedsrichter-Werkzeuge und öffentliche Belege.

• Regeln und Suche. JumpStar verwendet eine kompakte Bitmap-artige Darstellung des Sternbretts mit 121 Löchern, strikte Zwei-Spieler-Regeln, die Erzeugung erlaubter Schritte und Mehrfachsprünge, Ziel-Sperre, Endstellungsprüfungen, deterministisches Hashing, Basis-Bots und einen nativen Match-Runner. Die Regelimplementierung ist bewusst explizit, weil Sternhalma-Engines sonst Grenzfälle ausnutzen können: Verharren im Start- oder Zieldreieck, künstliche Blockaden oder Siege durch Eigenheiten des Schiedsrichters statt durch besseres Spiel. Das Regelprofil von JumpStar soll sauberes Rennen, starke Geometrie und reproduzierbare Suche belohnen, nicht Tricks gegen die Anti-Blockade-Regel.
• Training durch Self-Play. Self-Play und Reanalyse erzeugen Brettstellungen, erlaubte Aktionen, MCTS-Besuchszahlen, Partieergebnisse und Fortschrittsmerkmale. Mit diesen Daten wird ein Policy/Value-Modell trainiert, das die nächste Suchrunde lenkt. JumpStar_60 ist ein geometry_v1-MLP der Größe 512x4 mit etwa 10.36M Parametern, trainiert auf einem reanalysierten Datensatz mit 1.8M Beispielen. Die praktische Arbeit bestand darin, diese Schleife klein und schnell genug zu machen, um sie immer wieder auf lokaler Hardware laufen zu lassen.
• Öffentliches Benchmarking. Weil es für Sternhalma noch keine ausgereifte öffentliche Engine-Rangliste gab, habe ich parallel zu JumpStar CCERL-2P10-v2 entwickelt. CCERL legt Regelwerk, Engine-Protokoll, eine eingefrorene Stellungssammlung, Basis-Engines, Release-Artefakte und die Bewertungsmethodik fest. Der Benchmark nutzt Stellungspaare mit getauschten Seiten und veröffentlicht die Protokolle, damit Ergebnisse reproduzierbar sind und nicht bloß behauptet werden. So können künftige Engines JumpStar unter demselben Schiedsrichter herausfordern, statt vage Stärkebehauptungen zu vergleichen.

Wie JumpStar Sternhalma spielt

Eine der interessantesten qualitativen Beobachtungen ist, dass JumpStar oft nicht wie eine simple Renn-Heuristik spielt. Stattdessen entwickelt es raffinierte Strategien: Es bremst den Gegner aus, behält nützliche Blocker bei und baut kompakte, dreieckähnliche Formationen, die den Verkehr durch wichtige Korridore einschränken.

Dieser Stil fällt leicht unter den Tisch, wenn man Sternhalma nur als Rennen nach vorn betrachtet. Weil Figuren nie geschlagen werden, kann eine defensive Formation über viele Züge wirken: Sie kann eine Sprungleiter verwehren, den Gegner zu Umwegen um Staus zwingen oder genug Zeit verschaffen, damit die eigenen Figuren des Modells ins Ziel kommen. Einige der stärksten Ideen von JumpStar drehen sich daher womöglich um die Kontrolle der Geometrie und nicht bloß um schnelleres Vorankommen.

Die Such- und Trainingsschleife

Grob gesagt folgt JumpStar dem AlphaZero-Muster: Self-Play erzeugt MCTS-Besuchszahlen als Trainingsziele, mit diesen Zielen wird ein Policy/Value-Modell trainiert, und das stärkere Modell lenkt die nächste Suchrunde.

Self-Play -> MCTS-Besuchsziele -> Policy/Value-Training -> stärkere Suche -> Self-Play

Die praktische Stärke entstand dadurch, dass diese Schleife günstig genug wurde, um sie immer wieder laufen zu lassen: native Self-Play-Worker in C++, effiziente Zuggenerierung, gebündelte Bewertung der Blattknoten, Transpositionen, Wiederverwendung von Teilbäumen, kompakte Datensätze und Release-Builds, die auf lokale Apple-Hardware abgestimmt sind.

Ein großer Teil dieser Verdichtung kam durch Codex mit GPT-5.5 als Partner für Implementierung und Forschung zustande. Codex half dabei, die Codebasis zu untersuchen, Engpässe zu profilieren, kritische Pfade neu zu schreiben, Trainingsprotokolle zu analysieren, Benchmark-Läufe zu paketieren und mehrere Experimentstränge gleichzeitig voranzutreiben. Die wichtigsten Gewinne waren praktischer Natur: große Beschleunigungen bei Self-Play und Auswertung, eine Verringerung des Speicherbedarfs im Trainingspfad um etwa 98 %, damit die Arbeit auf meinen lokalen Rechner passte, und genug Automatisierung, um die Engine weiter zu verbessern, während ich hauptberuflich Edia als CEO leite.

Das Projekt kam ungewöhnlich schnell voran, weil die Schleife nicht nur Self-Play für das Modell war, sondern auch eine iterative Engineering-Schleife für das System drumherum. Mit Codex konnte ich ein Experiment laufen lassen, die Fehlerursache untersuchen, den Code optimieren, den Benchmark erneut ausführen, das Ergebnis zusammenfassen und die nächste Frage in einen konkreten Patch übersetzen. Dieser Feedback-Zyklus verdichtete Arbeit, die sonst Monate an Infrastruktur, Werkzeugen, Frontend, Benchmark und Dokumentation hätte kosten können, auf etwa eine Woche - vom Fund des alten Bretts bis zum öffentlichen Start.

Die lokale Codex-Abrechnung vermittelt einen groben Eindruck vom Umfang dieser Zusammenarbeit. Über alle Projekt-Threads, die in der lokalen Codex-Statusdatenbank sichtbar sind, summierten sich die erfassten tokens_used auf etwa 559.9M Tokens. Diese Zahlen enthalten Kontext, Werkzeugausgaben, Effekte von zwischengespeichertem Kontext, die Abrechnung von Reasoning und Ausgabe sowie sich überschneidende Arbeitsstränge. Sie sind daher als Prozesskennzahl zu verstehen, nicht als wissenschaftliche Messung des Rechenaufwands.

CCERL und der öffentliche Benchmark

Für Sternhalma gibt es keine ausgereifte öffentliche Engine-Rangliste wie bei Schach und Go, was es schwer macht, Stärke und Fortschritt von Engines zu bewerten. CCERL füllt diese Lücke. CCERL ist der erste öffentliche Benchmark zur Bewertung der Spielstärke von Sternhalma-KI-Engines. In Anlehnung an ähnliche Konzepte aus Schach und Go bietet CCERL feste Regeln, geprüfte Startstellungen, Stellungspaare mit getauschten Seiten, herunterladbare Partieprotokolle und öffentliche Vergleichsgegner.

Nach den CCERL-Benchmarks scheint JumpStar mit großem Abstand die weltweit stärkste öffentlich verfügbare KI-Engine für Sternhalma zu sein.

Ich bin überzeugt, dass JumpStar im Zwei-Spieler-Regelprofil eine nahezu übermenschliche Sternhalma-Spielstärke erreicht hat, und zwar mit Rechenleistung im Maßstab eines lokalen MacBooks. Noch wichtiger: CCERL gibt allen künftigen Mitwirkenden ein Ziel. Verändern Sie JumpStar, bauen Sie ein neues Modell, portieren Sie eine bestehende Engine originalgetreuer, ergänzen Sie bessere Stellungen oder schicken Sie einen Herausforderer unter demselben Schiedsrichter ins Rennen.

Wie es weitergeht

JumpStar soll nicht nur ein privater Bot sein. Das Projekt will vier Dinge werden:

• Ein starkes öffentliches KI-Modell. JumpStar steht unter einer offenen Lizenz, und diese Website ist kostenlos. Jeder kann gegen JumpStar spielen oder selbst versuchen, es zu verbessern. JumpStar wurde vollständig auf einem MacBook M4 trainiert. Mehr Rechenleistung wird die Spielstärke sicher noch steigern.
• Öffentliche Benchmark-Infrastruktur. Schach und Go haben Communitys, in denen Engines getestet, verglichen und verbessert werden können. CCERL bringt dieselbe Infrastruktur zu Sternhalma: klare Regeln, reproduzierbare Partien, öffentliche Protokolle und einen Weg für andere, eigene Modelle zu bauen.
• Erforschung des Spiels selbst. Starke KI verändert, was wir sehen können. Ich möchte verstehen, wie gutes Spiel aussieht, wie sich Eröffnungen entwickeln, warum sich volle Bretter so verhalten, wie sie es tun, und was in Partien mit drei, vier und sechs Spielern passiert, wenn die Mitte des Bretts zu einem Stau voller Möglichkeiten wird.
• Varianten für mehrere Spieler. Das Zwei-Spieler-Modell ist erst der Anfang. Die spannenderen Fragen beginnen, wenn das Brett voller wird: drei Spieler, vier Spieler, sechs Spieler, wechselnde Allianzen, blockierte Wege und seltsame, sich von selbst ergebende Eröffnungen. Ich möchte herausfinden, wie starkes Spiel auch dort aussieht, und auf Brettern, die weit größer als üblich sind. Die Komplexität und die Muster, die dabei entstehen, werden faszinierend sein.

Ich hoffe, dass JumpStar mehr Menschen dazu anregt, sich mit Sternhalma zu beschäftigen, es zu spielen, es zu studieren und darauf aufzubauen.