« Amo los LLMs, odio el bombo » - geohot recuerda la única regla que queda

Separar lo que los modelos realmente hacen de lo que les atribuimos. La disciplina falta más que el *compute*.

El hecho

George Hotz (geohot) publicó el 12 de julio de 2026 « I love LLMs, I hate hype »: una publicación breve, contundente, que distingue lo que los modelos hacen (comprimir, restituir, interpolar) de lo que el marketing les atribuye (razonar, planificar, entender).

Nuestra lectura

Geohot no inventa nada: repite el ejercicio de clasificación que nadie quiere hacer. En 2026, la mayoría de las demostraciones de «agente que piensa» son demostraciones de harness bien conectados, no de razonamiento emergente. Esto no hace que los LLMs sean inútiles: los hace utilizables, siempre que se sepa qué se conecta.

Under the hood

El argumento se resume en tres puntos: (1) los LLMs destacan en tareas compresibles (código, resumen, traducción) donde el patrón está en el conjunto de entrenamiento; (2) fallan fuera del soporte (planificación a largo plazo, coherencia formal estricta, cálculos exactos); (3) los «avances en razonamiento» observados se deben al harness (cálculo en tiempo de prueba, RAG, herramientas), no al modelo en bruto.

Entonces, ¿qué?

Práctico: el mejor ROI sigue estando en tareas compresibles + herramientas. Decisor: siempre pregunta qué parte del beneficio proviene del modelo y cuál del harness. La distinción decide si estás expuesto al próximo cambio de modelo.

A vigilar

Los benchmarks que aíslan modelo y harness. La próxima publicación de Lambert o Karpathy al respecto.