"Os LLMs Não Conseguem Saltar": o artigo de posição que argumenta que os grandes modelos de linguagem têm um limite fundamental de raciocínio

Um artigo de posição publicado no OpenReview questiona uma suposição central da tese de escalonamento da IA: que a capacidade de raciocínio melhora indefinidamente com a escala. O argumento não é novo — mas a estruturação é mais clara do que o habitual.

O Fato Um artigo de posição intitulado « LLMs Can't Jump » foi submetido ao OpenReview (5 de agosto de 2026, 30 pontos HN, 11 comentários). Com base no título e nas discussões no HN — o conteúdo completo do artigo ainda não está acessível publicamente neste momento —, a tese parece argumentar que os LLMs apresentam um limite fundamental em certas tarefas de raciocínio: habilidades que parecem dominadas em exemplos simples entram em colapso em variantes mais complexas, sem que o scaling por si só resolva o problema.

Nossa Leitura Se a tese for confirmada após a leitura, ela se alinha a um crescente corpo crítico — trabalhos sobre a « reversal curse », falhas no ARC-AGI, análises de François Chollet sobre generalização. O argumento não se basearia no desempenho bruto (os benchmarks melhoram), mas na natureza do raciocínio: reconhecimento de padrões em vez de raciocínio composicional. A consequência prática seria que os benchmarks padronizados (GSM8K, MATH) superestimam as capacidades reais, pois fazem parte da distribuição de treinamento. Deve ser tratado com cautela até a revisão por pares completa: um título e uma pontuação no HN não fazem uma tese verificada.

A se Observar A versão completa publicada do artigo e as respostas dos laboratórios (OpenAI, Anthropic, DeepMind), que terão todo o interesse em refutar ou atenuar essas limitações, se confirmadas.