La obra de Manning —GloVe, el currículo fundacional de NLP en Stanford, una generación de doctorandos suyos que se dispersaron por laboratorios industriales— le da un punto de observación desde el cual la mayor parte de la cobertura actual sobre LLM parece un error de categoría. Sus escritos recientes más incisivos sostienen que, cuando un modelo parece «entender» algo, estamos viendo cómo la regularidad estadística del lenguaje humano se confunde con la estructura conceptual sobre la que cabalgan esos patrones. La posición es rara en alguien con su estatura y sus incentivos institucionales, y eso es parte de por qué merece tomarse en serio.

Vale la pena seguirlo cuando
se quiere leer la brecha entre «el modelo produjo las palabras correctas» y «el modelo sabía qué significaban esas palabras», escrita por alguien con suficiente antigüedad en el campo para saber qué se perdió en el cambio de marca de NLP a IA.
Temas
lo que la semántica distribucional puede y no puede afirmar sobre el significado; críticas estructurales de la práctica actual de evaluación de LLM; el largo arco de la tecnología del lenguaje antes de los LLM.
Obras clave
vectores de palabras GloVe (2014, coautor principal con Pennington y Socher); "Foundations of Statistical Natural Language Processing" (1999, con Schütze); amplia trayectoria de críticas públicas de la práctica actual de evaluación de LLM.