Der Pluribus-Poker-Bot erklärt für Entwickler

Pluribus war der Poker-Bot, der 2019 die Forschungsgrenze bei No-Limit Texas Hold'em mit sechs Spielern verschob. Das System besiegte menschliche Spitzenprofis, ist aber weder eine Bibliothek noch eine SaaS-API oder eine Abkürzung, die sich einfach in einen eigenen Bot einbauen lässt. Für Entwickler ist eine engere Frage entscheidend: Welche Ideen lassen sich übernehmen?

Teil von: Der vollständige Leitfaden zum Aufbau eines KI-Poker-Bots im Jahr 2026 - der umfassende Leitfaden zu Frameworks, Entscheidungslogik, Equity, Tests und Live-Arenen.

Das Wichtigste in Kürze

• Pluribus schlug 2019 Spitzenprofis in No-Limit Hold'em mit sechs Spielern. Dazu gehörte ein Experiment über 10.000 Hände mit mehreren Profis.
• Die sinnvolle Lehre lautet nicht "Pluribus kopieren", sondern Grundstrategie, Suche, Abstraktion und ausgewogene Aktionen kombinieren.
• CFR ist wichtig. Die meisten Entwickler sollten jedoch mit PokerKit, Heuristiken, Equity und Live-Tests beginnen, bevor sie tief in CFR einsteigen.

Was war der Pluribus-Poker-Bot?

Pluribus war ein 2019 vorgestelltes KI-System der Carnegie Mellon University und Facebook AI, das führende Profis in No-Limit Texas Hold'em mit sechs Spielern besiegte (CMU, 2019). Dieser Erfolg ist bedeutsam, weil Poker mit sechs Spielern ein Mehrspieler-Spiel mit unvollständiger Information ist und kein übersichtlicher Benchmark für zwei Spieler.

Vor Pluribus betrafen die bekannten öffentlichen Meilensteine vor allem Heads-up-Partien. Libratus schlug vier Profis über 120.000 Hände im Heads-up No-Limit Hold'em. Heads-up-Poker besitzt jedoch eine Zwei-Spieler-Nullsummenstruktur, die sich spieltheoretisch sauberer behandeln lässt. Pluribus übertrug diesen Meilenstein auf Poker mit sechs Spielern, bei dem mehrere Gegner mit verdeckten Karten und unterschiedlichen Anreizen handeln.

Das Ergebnis war keine Veröffentlichung nach dem Motto "Laden Sie diesen Bot herunter". Der Artikel in Science präsentierte eine Forschungsmethode und ein Benchmark-Ergebnis. Für Entwickler ist diese Unterscheidung wichtig. Pluribus beweist, dass übermenschlich starkes Mehrspieler-Poker durch KI möglich ist. Es liefert jedoch weder produktionsreifen Code noch einen WebSocket-Client, Bankroll-Logik oder eine Wettbewerbsplattform.

Eine direkte Einordnung als Produktvergleich finden Sie unter Open Poker im Vergleich zu Pluribus. Dieser Beitrag konzentriert sich auf das, was Entwickler tatsächlich übernehmen können.

Die praktische Lesart lautet: Pluribus ist ein Leitbild für die Architektur, kein Starter-Kit. Ein funktionierender Bot, der auf einer Live-Plattform 1.000 Hände spielt, lehrt Sie mehr als ein halbfertiger Versuch, den wissenschaftlichen Artikel nachzubauen.

Wie schlug Pluribus menschliche Profis?

Pluribus kombinierte eine im Voraus berechnete Grundstrategie mit einer begrenzten Echtzeitsuche. Die CMU berichtete über zwei Experimente: jeweils 5.000 Hände gegen zwei namentlich genannte Profis und ein weiteres Experiment über 10.000 Hände, an dem 13 Profis beteiligt waren und jeweils fünf gleichzeitig spielten.

Zuerst entstand die Grundstrategie. Pluribus trainierte im Self-Play, wobei sechs Instanzen des Programms gegeneinander antraten. Daraus ergaben sich eine Basispolicy für die erste Setzrunde und eine strategische Ausgangsbasis für spätere Entscheidungen.

Danach kam die Suche. Während einer Hand löste Pluribus nicht den gesamten Spielbaum bis zum River, denn das wäre zu rechenintensiv gewesen. Stattdessen löste das System ein kleineres Teilspiel mit begrenztem Suchhorizont und berücksichtigte an dessen Blättern eine kleine Auswahl möglicher Fortsetzungsstrategien. Die CMU bezeichnete diese begrenzte Suche in Spielen mit unvollständiger Information als den wichtigsten Durchbruch.

Genau diesen Gedanken sollten Entwickler übernehmen. Ihr Bot muss nicht bei jeder Aktion das gesamte Pokerspiel lösen. Er braucht eine vernünftige Grundstrategie, ein Verfahren zur genaueren Analyse schwieriger Situationen und eine Rückfalloption, wenn das Rechenbudget erschöpft ist.

Was bedeutet CFR beim Poker?

Counterfactual Regret Minimization, kurz CFR, ist ein Verfahren zum Erlernen von Strategien in Spielen mit unvollständiger Information. Der ursprüngliche NeurIPS-Artikel von 2007 führte den kontrafaktischen Regret ein und zeigte, dass sich Pokerabstraktionen mit bis zu 10^12 Zuständen lösen ließen. Das waren zwei Größenordnungen mehr als bei vorherigen Verfahren (NeurIPS, 2007).

Einfach ausgedrückt fragt CFR: "Wenn ich diesen Entscheidungspunkt erneut spielen könnte, wie sehr würde ich es bereuen, die jeweilige Aktion nicht gewählt zu haben?" Wird diese Frage über viele Self-Play-Iterationen hinweg gestellt, werden Aktionen mit geringerem langfristigem Regret wahrscheinlicher.

Poker benötigt ein solches Verfahren, weil der vollständige Zustand nie sichtbar ist. Sie kennen Ihre Karten, das Board, den bisherigen Setzverlauf und die Stackgrößen. Die Hole Cards und die genaue Strategie Ihrer Gegner kennen Sie nicht. CFR bietet eine systematische Möglichkeit, Entscheidungen unter Unsicherheit zu verbessern, ohne vollständige Beobachtbarkeit vorzutäuschen.

Für Entwickler ist CFR zunächst als Begriff nützlicher als als Code. Sie verstehen damit, warum ausgewogenes Bluffen wichtig ist, warum deterministische Regeln ausgenutzt werden und warum eine "perfekte" Aktion in einer einzelnen Hand weniger zählt als eine über Tausende Hände schwer ausnutzbare Strategie.

Ist Pluribus Open Source oder heute nutzbar?

Pluribus sollte als Forschungsergebnis und nicht als installierbares Werkzeug betrachtet werden. Öffentlich verfügbar sind der Science-Artikel, die begleitende Berichterstattung und Beschreibungen der Methode. Im Jahr 2026 gibt es weder einen offiziellen Weg über pip install pluribus noch einen öffentlichen Spielserver oder ein gepflegtes SDK, mit dem Entwickler eine Verbindung herstellen könnten.

Dadurch wird die Forschung nicht wertlos. Wiederverwendbar sind vor allem die Konzepte:

1. Nutzen Sie eine Grundstrategie, statt jede Hand ohne Ausgangsbasis zu beginnen.
2. Gruppieren Sie ähnliche Pokerzustände, damit der Bot unter Zeitdruck entscheiden kann.
3. Setzen Sie rechenintensive Suche nur dort ein, wo der Wert der Entscheidung den Aufwand rechtfertigt.
4. Randomisieren Sie knappe Entscheidungen, damit der Bot nicht mechanisch lesbar wird.
5. Testen Sie gegen Gegner außerhalb Ihres eigenen Simulators.

Aus unserer Erfahrung mit Open Poker machen jene Entwickler am schnellsten Fortschritte, die zuerst die unspektakuläre Variante umsetzen. Sie veröffentlichen einen tighten heuristischen Bot, sammeln Hände, finden Leaks und ergänzen dann mathematische Verfahren. Langsam ist dagegen der Weg, mit "Ich baue Pluribus nach" zu beginnen und nie die erste Live-Hand zu erreichen.

Für Open-Source-Werkzeuge eignen sich OpenSpiel zur spieltheoretischen Forschung, RLCard für Reinforcement-Learning-Experimente und PokerKit für praxisnahe Pokersimulationen und Handbewertungen in Python.

Was können Entwickler von Pluribus übernehmen?

Entwickler sollten die Architekturprinzipien von Pluribus übernehmen, nicht dessen Rechenaufwand. Laut CMU berechnete Pluribus seine Grundstrategie in acht Tagen mit 12.400 Kernstunden und verwendete während des Live-Spiels 28 Kerne. Das ist weniger, als viele erwartet hatten, aber noch immer kein Einsteigerprojekt.

Die erste übertragbare Idee ist die Trennung der Verantwortlichkeiten. Ihr Bot sollte eine Basispolicy, eine Zustandsdarstellung, ein Entscheidungsmodul und einen Testzyklus besitzen. Packen Sie nicht alles in eine riesige decide()-Funktion.

Die zweite Idee ist selektive Suche. Die meisten Hände rechtfertigen keine tiefgehende Berechnung. Für den Fold von 9-3 offsuit under the gun braucht es kein neuronales Netz. Ein River-Jam in einem großen Pot kann dagegen eine aufwendigere Analyse verdienen.

Die dritte Idee ist eine gemischte Strategie. Die CMU stellte fest, dass Pluribus seine Aktionen über mögliche Hände hinweg ausbalancierte und Profis unter anderem mit häufigeren Donk Bets überraschte. Das bedeutet nicht, dass Ihr Bot zufällig Donk Bets spielen sollte. Es bedeutet, dass eindeutige Zuordnungen wie "großer Einsatz bedeutet Value, kleiner Einsatz bedeutet Bluff" leicht auszunutzen sind.

Eine praktische Übertragung sieht so aus:

def decide_close_spot(equity, pot_odds, board_texture, rng):
    edge = equity - pot_odds
 
    if edge > 0.12:
        return "raise"
    if edge < -0.08:
        return "fold"
 
    # Close spots should not be deterministic.
    if board_texture == "wet":
        return "call" if rng.random() < 0.70 else "raise"
    return "call" if rng.random() < 0.85 else "fold"

Das ist kein CFR. Es ist die bescheidene Variante derselben Lehre: In einer knappen Situation sollte Ihr Bot nicht immer dieselbe Aktion mit demselben sichtbaren Muster wählen.

Sollten Sie zuerst einen Bot im Stil von Pluribus entwickeln?

Nein. Beginnen Sie mit einem einfacheren Bot, sofern Ihr Ziel nicht die akademische Forschung ist. Deep CFR und die von Pluribus eingesetzte Suche sind leistungsfähig. Doch selbst der Deep-CFR-Artikel beschreibt CFR als führendes Framework für große Spiele mit unvollständiger Information und weist auf die Abstraktionsprobleme hin, die Poker in vollem Umfang so schwierig machen (arXiv, 2019).

Für die meisten Entwickler ist diese Reihenfolge sinnvoll:

1. Entwickeln Sie einen zuverlässigen WebSocket-Client.
2. Ergänzen Sie die Handbewertung mit PokerKit.
3. Berechnen Sie bei Draws und unklaren Boards die Monte-Carlo-Equity.
4. Ergänzen Sie positionsabhängige Ranges.
5. Erfassen Sie Gegnerdaten und Sitzungsergebnisse.
6. Experimentieren Sie erst danach mit CFR, OpenSpiel oder Deep RL.

Diese Reihenfolge liefert schneller Feedback. Bei einem heuristischen Bot können Sie beobachten, aus welchen konkreten Gründen er verliert. Ein Forschungssystem können Sie nicht sinnvoll debuggen, wenn Sie noch nicht wissen, ob Action-Payloads, Turn-Token, Stackabrechnung und Parser für den Tischzustand korrekt funktionieren.

OpenSpiel ist der beste Ausgangspunkt für die Forschungsseite. Der zugehörige Artikel beschreibt das Projekt als Framework für Reinforcement Learning, Suche und Planung in Spielen mit vollständiger und unvollständiger Information (arXiv, 2020). Nutzen Sie es für algorithmische Fragen. Nutzen Sie eine Live-Arena, wenn Sie wissen möchten, ob Ihr Bot gewinnt.

Wo lassen sich von Pluribus inspirierte Ideen testen?

Sie können solche Ideen auf drei Ebenen testen: in einer lokalen Simulation, gegen Benchmark-Gegner und in Live-Partien zwischen Bots. PokerKit deckt die praktische lokale Pokermechanik ab, Slumbot eignet sich als Heads-up-Benchmark und Open Poker bietet Live-Wettbewerbe im 6-max-Format gegen Bots anderer Entwickler.

Beginnen Sie mit einer lokalen Simulation. Sie ist günstig, schnell und reproduzierbar. Prüfen Sie, ob der Equity-Rechner korrekt arbeitet. Stellen Sie sicher, dass die Range-Logik aus früher Position keinen Trash raist. Führen Sie gezielte Prüfungen durch, bevor eine Live-Sitzung Chips kostet.

Nutzen Sie anschließend einen Benchmark. Slumbot eignet sich, wenn Ihr Bot einen Heads-up-Modus besitzt und Sie einen stabilen Gegner benötigen. Ob Ihr Bot mit der Dynamik eines Tisches mit sechs Spielern zurechtkommt, erfahren Sie dort nicht.

Der dritte Schritt ist das Live-Spiel. Open Poker liefert das fehlende Element: Gegner, die Sie nicht selbst programmiert haben. Das ist wichtig, weil Self-Play einem Bot oft nur beibringt, die eigenen blinden Flecken auszunutzen. Ein Live-Feld konfrontiert ihn mit ungewöhnlichen Einsatzgrößen, schwachen Spielern, aggressiven Bots, Timeouts und Tischbedingungen, die Ihr Simulator nicht erzeugt.

Einen Überblick über die Plattformlandschaft bietet der Vergleich von KI-Pokerplattformen. Den vollständigen Entwicklungsweg finden Sie im zentralen Leitfaden für KI-Poker-Bots.

FAQ

Kann ich Pluribus herunterladen oder als Poker-Bot einsetzen?

Für Entwickler gibt es kein offizielles öffentliches Pluribus-SDK und keinen installierbaren Bot. Der öffentliche Wert liegt im Science-Artikel von 2019 und der begleitenden technischen Beschreibung. Betrachten Sie Pluribus als Forschungsmeilenstein und entwickeln Sie dann mit praktischen Werkzeugen wie PokerKit, OpenSpiel, RLCard und einer Live-Testplattform.

Hat Pluribus Poker vollständig gelöst?

Nein. Pluribus erzielte in Experimenten mit No-Limit Texas Hold'em für sechs Spieler übermenschliche Ergebnisse. Dazu gehörte der von der CMU gemeldete Test über 10.000 Hände gegen Profis. Das ist nicht gleichbedeutend mit der Lösung sämtlicher Pokervarianten, Stacktiefen, Rake-Modelle, Tischgrößen oder Gegnerverteilungen.

Ist CFR für einen guten Poker-Bot unverzichtbar?

Nein. CFR ist wichtig für das Verständnis moderner Poker-KI. Ein starker erster Bot kann jedoch mit Ranges, Equity, Pot Odds, Gegnermodellierung und randomisierten Entscheidungen in knappen Situationen arbeiten. CFR wird interessant, sobald Infrastruktur, Daten und ein konkreter Grund für das Training von Policies jenseits einfacher Heuristiken vorhanden sind.

Worin unterscheiden sich Pluribus und OpenSpiel?

Pluribus ist ein konkretes Forschungssystem für No-Limit Hold'em mit sechs Spielern. OpenSpiel ist ein Open-Source-Framework für Reinforcement Learning und spieltheoretische Forschung in zahlreichen Spielen. Sie können mit OpenSpiel CFR-ähnliche Ideen untersuchen, erhalten damit aber nicht den Pluribus-Bot.

Wo sollte ich einen von Pluribus inspirierten Bot testen?

Beginnen Sie lokal, prüfen Sie bei Bedarf die Heads-up-Logik gegen einen Benchmark und testen Sie anschließend in einem Live-Feld. Open Poker ist für reine KI-Wettbewerbe zwischen Bots im 6-max-Format ausgelegt. Damit ist es der naheliegendste praktische Ort für Mehrspielerideen, ohne gegen die Regeln menschlicher Pokerräume zu verstoßen.

Beginnen Sie mit der kleineren Variante.

Die Lehre aus Pluribus lautet nicht: "Bauen Sie Pluribus nach." Sie lautet, dass starke Poker-Bots eine Grundstrategie, gezielte Suche, Abstraktion, ausgewogene Aktionen und kompromisslose Tests verbinden.

Veröffentlichen Sie zuerst die kleinere Variante. Implementieren Sie die Ereignisschleife, ergänzen Sie die Kartenmathematik, randomisieren Sie knappe Entscheidungen und spielen Sie echte Hände. Sobald dieser Bot erste Narben trägt, werden CFR und eine Suche im Stil von Pluribus deutlich sinnvoller.