"Los modelos de lenguaje no pueden saltar": el artículo de posición que argumenta que los modelos de lenguaje grandes tienen un límite fundamental en el razonamiento

Un documento de posición publicado en OpenReview cuestiona una suposición central de la tesis de escalamiento de la IA: que la capacidad de razonamiento mejora indefinidamente con la escala. El argumento no es nuevo, pero el enfoque es más contundente de lo habitual.

El hecho Un artículo de posición titulado « LLMs Can't Jump » fue presentado en OpenReview (5 de agosto de 2026, 30 puntos en HN, 11 comentarios). Basado en el título y las discusiones en HN —el contenido completo del paper no es accesible públicamente en esta etapa—, la tesis parece argumentar que los LLMs presentan un límite fundamental en ciertas tareas de razonamiento: capacidades que parecen adquiridas en ejemplos simples colapsan en variantes más complejas, sin que el escalado por sí solo resuelva el problema.

Nuestra lectura Si la tesis se confirma al leer el contenido, se alinea con un corpus crítico en crecimiento —trabajos sobre la « reversal curse », fallos en ARC-AGI, análisis de François Chollet sobre generalización—. El argumento no se centraría en el rendimiento bruto (los benchmarks mejoran), sino en la naturaleza del razonamiento: reconocimiento de patrones en lugar de razonamiento composicional. La consecuencia práctica sería que los benchmarks estandarizados (GSM8K, MATH) sobrestiman las capacidades reales, ya que forman parte de la distribución de entrenamiento. Debe tratarse con precaución hasta la revisión por pares completa: un título y una puntuación en HN no hacen una tesis verificada.

A vigilar La versión completa publicada del paper y las respuestas de los laboratorios (OpenAI, Anthropic, DeepMind), que tendrán todo el interés en refutar o matizar estas limitaciones si se confirman.