“LLMs 不能跳跃”：立场论文认为大语言模型存在根本性推理上限

一篇在OpenReview发表的立场论文对AI缩放理论的核心假设提出了挑战：认为推理能力会随着规模的扩大而无限提升。这一论点并不新颖——但其表述方式比以往更为尖锐。

事实 一篇题为《LLMs Can't Jump》的立场文章已提交至OpenReview（2026年8月5日，HN 30分，11条评论）。基于标题和HN讨论——目前论文全文尚未公开——其论点似乎认为LLMs在某些推理任务上存在根本性上限：在简单示例中表现出的能力在更复杂的变体中崩溃，单纯扩大规模无法解决问题。

我们的解读 若该论点在全文中得到证实，它将与日益增长的批评体系相呼应——如“反转诅咒”研究、ARC-AGI上的失败案例、François Chollet对泛化能力的分析。其论点并非针对原始性能（基准测试成绩在提升），而是推理的本质：模式识别而非组合式推理。实际后果是标准化基准测试（如GSM8K、MATH）高估了真实能力，因其属于训练分布的一部分。在完成同行评审前需谨慎对待：标题与HN评分并不等同于经过验证的论点。

值得关注 论文完整版的发布，以及各实验室（OpenAI、Anthropic、DeepMind）的回应——若这些局限性得到证实，它们将竭力反驳或淡化这些结论。