« Ich liebe LLMs, ich hasse Hype » - geohot erinnert an die einzige Regel, die bleibt

Trennen, was die Modelle wirklich tun, von dem, was man ihnen zuschreibt. Es fehlt mehr an Disziplin als an Rechenleistung.

Der Fakt

George Hotz (geohot) veröffentlichte am 12. Juli 2026 « I love LLMs, I hate hype »: einen kurzen, prägnanten Post, der zwischen dem unterscheidet, was die Modelle tun (komprimieren, wiedergeben, interpolieren) und was das Marketing ihnen zuschreibt (argumentieren, planen, verstehen).

Unsere Interpretation

Geohot erfindet nichts Neues - er macht die Sortierung, die niemand machen will. Im Jahr 2026 sind die meisten Demos « Agent, der denkt » Demos von gut angebundenen Harnesses, nicht von emergenten Argumentationen. Das macht die LLMs nicht nutzlos: Es macht sie brauchbar, vorausgesetzt, man weiß, was man anbindet.

Under the hood

Das Argument besteht aus drei Punkten: (1) LLMs sind hervorragend in komprimierbaren Aufgaben (Code, Zusammenfassung, Übersetzung), bei denen das Muster im Trainingsset liegt; (2) sie scheitern außerhalb der Unterstützung (langfristige Planung, strikte formale Kohärenz, exakte Berechnungen); (3) die beobachteten « Fortschritte im Argumentieren » beruhen auf dem Harness (Testzeit-Berechnung, RAG, Tools), nicht auf dem nackten Modell.

So what

Praktiker: Der beste ROI bleibt bei komprimierbaren Aufgaben + Tools. Entscheider: Fragen Sie immer, welcher Teil des Gewinns kommt vom Modell und welcher vom Harness. Die Unterscheidung entscheidet, ob Sie dem nächsten Modellwechsel ausgesetzt sind.

Zu beobachten

Die Benchmarks, die Modell und Harness isolieren. Der nächste Post von Lambert oder Karpathy als Echo.