« Eu amo LLMs, odeio hype » - geohot lembra a única regra que resta

Separar o que os modelos realmente fazem do que lhes atribuímos. A disciplina falta mais do que o *compute*.

O fato

George Hotz (geohot) publicou em 12 de julho de 2026 « I love LLMs, I hate hype »: uma publicação curta, direta, que distingue o que os modelos fazem (comprimir, restituir, interpolar) do que o marketing lhes atribui (raciocinar, planejar, compreender).

Nossa leitura

Geohot não inventa nada — ele refaz a triagem que ninguém quer fazer. Em 2026, a maioria das demonstrações de “agente que pensa” são demonstrações de harness bem conectados, não de raciocínio emergente. Isso não torna os LLMs inúteis: torna-os utilizáveis, desde que se saiba o que se está conectando.

Under the hood

O argumento se resume a três pontos: (1) os LLMs são excelentes em tarefas compressíveis (código, resumo, tradução) onde o padrão está no conjunto de treinamento; (2) eles falham fora do suporte (planejamento de longo prazo, coerência formal estrita, cálculos exatos); (3) os “progressos de raciocínio” observados vêm do harness (test-time compute, RAG, ferramentas), não do modelo nu.

Então, o que fazer?

Praticante: o melhor ROI continua em tarefas compressíveis + ferramentas. Decisor: sempre pergunte que parcela do ganho vem do modelo e qual vem do harness. Essa distinção decide se você está exposto à próxima mudança de modelo.

A se observar

Os benchmarks que isolam modelo e harness. A próxima publicação de Lambert ou Karpathy em eco.