"LLMs können nicht springen": das Positionspapier, das argumentiert, dass große Sprachmodelle eine grundlegende Grenze der Argumentationsfähigkeit haben

Eine in OpenReview veröffentlichte Positionspapier stellt eine Kernannahme der KI-Skalierungsthese infrage: dass die Fähigkeit zum logischen Denken sich unbegrenzt mit der Skalierung verbessert. Das Argument ist nicht neu – aber die Darstellung ist prägnanter als üblich.

Die Fakten Ein Positionspapier mit dem Titel « LLMs Can't Jump » wurde bei OpenReview eingereicht (5. August 2026, 30 HN-Punkte, 11 Kommentare). Basierend auf Titel und HN-Diskussionen – der vollständige Inhalt des Papers ist zu diesem Zeitpunkt nicht öffentlich zugänglich – scheint die These zu argumentieren, dass LLMs eine grundlegende Obergrenze für bestimmte Denkaufgaben aufweisen: Fähigkeiten, die bei einfachen Beispielen funktionieren, brechen bei komplexeren Varianten zusammen, und Skalierung allein löst das Problem nicht.

Unsere Einschätzung Falls die These nach Lektüre des vollständigen Papers bestätigt wird, reiht sie sich in eine wachsende kritische Forschungsliteratur ein – Arbeiten zur « reversal curse », Misserfolge bei ARC-AGI, Analysen von François Chollet zur Generalisierung. Das Argument würde sich nicht auf die reine Leistung beziehen (Benchmarks verbessern sich), sondern auf die Art des Denkens: Mustererkennung statt kompositionelles Schlussfolgern. Die praktische Folge wäre, dass standardisierte Benchmarks (GSM8K, MATH) die tatsächlichen Fähigkeiten überschätzen, da sie Teil der Trainingsverteilung sind. Bis zur vollständigen Peer-Review ist Vorsicht geboten: Ein Titel und HN-Punkte machen noch keine verifizierte These.

Zu beobachten Die vollständige, veröffentlichte Version des Papers sowie die Reaktionen der Labs (OpenAI, Anthropic, DeepMind), die ein Interesse daran haben werden, diese Einschränkungen zu widerlegen oder zu relativieren, falls sie bestätigt werden.