"LLMs Can't Jump": the position paper arguing large language models have a fundamental reasoning ceiling

A position paper published at OpenReview challenges a core assumption of the AI scaling thesis: that reasoning capability improves indefinitely with scale. The argument isn't new - but the framing is sharper than usual.

Le fait Un article de position intitulé « LLMs Can't Jump » a été soumis à OpenReview (5 août 2026, 30 points HN, 11 commentaires). Sur la base du titre et des discussions HN - le contenu complet du paper n'est pas accessible publiquement à ce stade - la thèse semble arguer que les LLMs présentent un plafond fondamental sur certaines tâches de raisonnement : des capacités paraissant acquises sur des exemples simples qui s'effondrent sur des variantes plus complexes, sans que le scaling seul résolve le problème.

Notre lecture Si la thèse est confirmée à la lecture, elle rejoint un corpus critique croissant - travaux sur la « reversal curse », échecs sur ARC-AGI, analyses de François Chollet sur la généralisation. L'argument porterait non pas sur la performance brute (les benchmarks s'améliorent) mais sur la nature du raisonnement : reconnaissance de patterns plutôt que raisonnement compositionnel. La conséquence pratique serait que les benchmarks standardisés (GSM8K, MATH) surestiment les capacités réelles, car ils font partie du distribution d'entraînement. À traiter avec prudence jusqu'à peer-review complet : un titre et un score HN ne font pas une thèse vérifiée.

À surveiller La version complète publiée du paper et les réponses des labs (OpenAI, Anthropic, DeepMind) qui auront tout intérêt à réfuter ou nuancer ces limitations si elles sont confirmées.