「LLMs Can't Jump」: 大規模言語モデルに根本的な推論の限界があると主張するポジションペーパー

位置づけ論文がOpenReviewで公開され、AIスケーリング仮説の核心的な前提、すなわち「推論能力はスケールに伴い無限に向上する」という考えに異議を唱えている。この主張自体は目新しいものではないが、その枠組みは通常よりも明確になっている。

Le fait 「LLMs Can't Jump」というタイトルのポジションペーパーがOpenReviewに投稿された（2026年8月5日、HNで30ポイント、11件のコメント）。タイトルとHNの議論に基づくと（現時点では論文の完全な内容は公開されていない）、主張はLLMが特定の推論タスクに根本的な限界を持つというものだ。簡単な例では能力を示すように見えるが、より複雑なバリエーションでは崩壊し、スケーリングだけでは問題が解決しないというものだ。

Notre lecture この主張が論文を読んで確認された場合、それは「reversal curse」に関する研究、ARC-AGIでの失敗、François Cholletによる一般化分析など、増加する批判的な研究群に加わることになる。議論はパフォーマンスではなく、推論の本質に関するものだ。つまり、パターン認識であり、構成的推論ではない。実用的な影響としては、GSM8KやMATHなどの標準ベンチマークが実際の能力を過大評価している可能性がある。これらはトレーニングデータの分布内にあるためだ。完全なピアレビューが完了するまでは慎重に扱う必要がある。タイトルとHNのスコアだけで検証済みの主張にはならないからだ。

À surveiller 完全版の論文と、OpenAI、Anthropic、DeepMindなどの研究所からの反応。これらの研究所は、もし主張が確認された場合、その限界を反論または緩和することに大きな関心を持つだろう。