**« LLMs를 사랑하지만, 과장된 선전은 싫어합니다」 - geohot, 남아 있는 유일한 규칙을 상기시키다**

모델이 실제로 하는 것과 우리가 그들에게 부여하는 것을 분리하라. 컴퓨팅 파워보다 더 부족한 것은 규율이다.

사실

George Hotz(geohot)는 2026년 7월 12일 「I love LLMs, I hate hype」라는 짧고 단호한 글을 게시했습니다. 이 글은 모델이 수행하는 일(압축, 복원, 보간)과 마케팅에서 모델에 부여하는 일(추론, 계획, 이해)을 구분합니다.

우리의 해석

Geohot는 새로운 것을 창조한 것이 아닙니다. 그는 아무도 하고 싶어하지 않았던 정리를 다시 한 번 내놓은 것입니다. 2026년 기준으로 대부분의 「생각하는 에이전트」 데모는 잘 연결된 하네스 데모일 뿐, emerging reasoning은 아니라는 점입니다. 이는 LLMs를 쓸모없게 만들지 않습니다. 다만 우리가 무엇을 연결하는지 알고 있다면 유용하게 사용할 수 있게 됩니다.

내부 구조

이 주장은 세 가지로 요약됩니다: (1) LLMs는 훈련 데이터에 패턴이 있는 압축 가능한 작업(코드, 요약, 번역)에서 탁월합니다. (2) they fail outside support(장기 계획, 엄격한 형식적 일관성, 정확한 계산)입니다. (3) 관찰되는 「추론 능력의 발전」은 모델 자체의 변화가 아니라 하네스(테스트 시간 컴퓨팅, RAG, 도구)의 결과입니다.

결론

실무자: 가장 높은 ROI는 압축 가능한 작업 + 도구에 있습니다. 의사 결정자: 모델 자체에서 얻은 성능 향상과 하네스에서 얻은 성능 향상의 비율을 항상 물어보세요. 이 구분이 여러분이 다음 모델 변화에 노출될지 여부를 결정합니다.

주목할 점

모델과 하네스를 분리하는 벤치마크. Lambert 또는 Karpathy의 다음 글에 주목하세요.