« I love LLMs, I hate hype » - geohot rappelle la seule règle qui reste

Séparer ce que les modèles font vraiment de ce qu'on leur prête. La discipline manque plus que le compute.

Le fait

George Hotz (geohot) a publié le 12 juillet 2026 « I love LLMs, I hate hype » : un post court, tranché, qui distingue ce que les modèles font (compresser, restituer, interpoler) de ce que le marketing leur attribue (raisonner, planifier, comprendre).

Notre lecture

Geohot n'invente rien - il refait le tri dont personne n'a envie. En 2026, la plupart des démos « agent qui pense » sont des démos de harness bien branchés, pas de raisonnement émergent. Ça ne rend pas les LLMs inutiles : ça les rend utilisables, à condition de savoir ce qu'on branche.

Under the hood

L'argument tient en trois points : (1) les LLMs excellent en tâches compressibles (code, résumé, translation) où le motif est dans le training set ; (2) ils échouent hors support (planification long horizon, cohérence formelle stricte, calculs exacts) ; (3) les « progrès de raisonnement » observés tiennent au harness (test-time compute, RAG, tools), pas au modèle nu.

So what

Praticien : le meilleur ROI reste sur les tâches compressibles + tools. Décideur : demandez toujours quelle part du gain vient du modèle et laquelle du harness. La distinction décide si vous êtes exposé au prochain changement de modèle.

À surveiller

Les benchmarks qui isolent modèle et harness. Le prochain post de Lambert ou Karpathy en écho.