一篇近期帖子认为，尽管取得了进展，大型语言模型（LLM）仍然需要大量的人工监督，并且难以处理超出其训练数据直接范围的任务。作者认为，当前的叙述夸大了LLM的自主性，并指出仍然需要人类工程师以及模型容易出现奖励破解的问题。文章提出，严格的规范虽然是理想的，但对于大多数领域来说成本过高且过于复杂，而人工审查虽然是备选方案，但无法有效地随着LLM的输出量而扩展。 AI
影响 强调了LLM自主性和可扩展性方面持续存在的挑战，表明当前的能力被夸大了。
排序理由 观点文章，讨论LLM的局限性。
在 Mastodon — fosstodon.org 阅读 →
AI 生成摘要 · Google Gemini · 来自 5 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Why i'm still bearish on LLMs after Navier-Stokes https:// lobste.rs/s/cianny # ai https:// dank.systems/posts/2026-09-15- ai-bear.html
Why I'm still bearish on LLMs after Navier-Stokes https:// dank.systems/posts/2026-09-15- ai-bear.html Comments: https:// news.ycombinator.com/item?id=4 9715927 # HackerNews # AI # LLMs # bearish # sentiment # Navier -Stokes # technology # critique
Why i'm still bearish on LLMs after Navier-Stokes https://dank.systems/posts/2026-09-15-ai-bear.html # AI # MachineLearning # Tech
Why I'm still bearish on LLMs after Navier-Stokes https:// dank.systems/posts/2026-09-15- ai-bear.html # ai # llm # llms