「我爱大型语言模型，我恨炒作」——geohot 提醒唯一剩下的规则

将模型真正做到的与人们赋予它们的区分开来。缺乏的是纪律而非计算能力。

事实

George Hotz（geohot）于2026年7月12日发表了《I love LLMs, I hate hype》（我喜欢LLMs，我讨厌炒作）：一篇短小精悍的帖子，区分了模型实际能做的（压缩、还原、插值）和营销人员给它们归功的（推理、规划、理解）。

我们的解读

Geohot并没有提出什么新观点——他只是做了大家都不想做的分类。在2026年，大多数“能思考的代理”演示都是对良好连接的harness的演示，而不是新出现的推理能力。这并不意味着LLMs无用：这意味着它们可用，只要你知道如何连接。

幕后

论点可以总结为三点：(1) LLMs在可压缩的任务上表现出色（代码、摘要、翻译），其中模式在训练集中；(2) 它们在支持范围之外失败（长期规划、严格的形式一致性、精确计算）；(3) 观察到的“推理进步”归功于harness（测试时计算、RAG、工具），而不是裸模型。

那么呢

实践者：最佳ROI仍在可压缩任务+工具上。决策者：始终问收益中有多少来自模型，有多少来自harness。这个区别决定了您是否会受到下一个模型变化的影响。

关注点

隔离模型和harness的基准测试。Lambert或Karpathy的下一篇回应帖。