Los LLM redescubren el lenguaje telegráfico y ahorran hasta un 49% en tokens
Write Like It's 1866: LLMs Relearn Telegraphese
Un benchmark con 50 pasajes y ~1.300 preguntas demuestra que los modelos comprimen sus registros en cablese —el estilo telegráfico de 1866— y que otros modelos los leen con igual o mejor precisión. El ahorro de tokens llega al 48,9% en qwen3.8-27b y al 40,4% en gemma-4-31b, sin entrenamiento ni cambios en la API. La técnica solo es gratuita cuando se aplica después de fijar el contenido y antes del consumo por máquinas.
La mitad cara de toda factura de LLM es un sobrecoste opcional para texto consumido por máquinas.
- OtherShrezzing
Esta página está (un tanto irónicamente) tan extremadamente cargada de jerga de Claude que es difícil encontrar la información entre tanto ruido. Pero una vez que has superado todo, ves estos hechos:
>Qué mide la prueba: A un modelo se le da un pasaje y un conjunto fijo de preguntas con respuestas cortas y verificables — una fecha, un nombre, un recuento.
Así que a un modelo se le da contenido que es especialmente susceptible de compresión, y se le pide que lo reproduzca bajo ciertas restricciones, como...
>¿Por qué la línea base de texto plano no es del 100%? Responder preguntas sobre un pasaje sin comprimir en texto plano obtiene ~91%.... una respuesta correcta redactada de forma diferente cuenta como [fallo]
Los modelos pueden (y de hecho lo hacen) dar respuestas objetivamente correctas, pero son penalizados por no tener una especie de conocimiento omnisciente de las preferencias de redacción del implementador.
Si este fenómeno es emergente en los modelos, este benchmark no es prueba de ello de ninguna manera significativa.
- Solomet
Nueva señal reveladora de escritura de LLM: Los conceptos se describen con términos normalmente más apropiados para objetos físicos.
> Un laboratorio que lo suprime en un modelo de frontera simplemente traslada la ventaja a modelos abiertos que todavía lo _llevan_
> no llevan ninguna señal sobre cuál es mejor
> dónde se _sitúa_ tu carga de trabajo en esa frontera debería elegir el punto
> y ningún modelo se _sienta_ en el asiento del juez
> cada ratio se _sitúa_ en 0.99–1.10
Muchísimos más ejemplos de "sit"
> Cada comparación en este post "sostiene" las preguntas
He estado viendo esto mucho en mi trabajo reciente con LLMs y es bastante frustrante. Aún más frustrante es la frecuencia con la que usa términos de baja señal para cosas innecesariamente. Estos términos de 'objeto físico' son un ejemplo, pero a veces realmente parece que 'preservan esfuerzo' eligiendo un término menos descriptivo porque 'encaja'.
También lo he pillado reemplazando términos descriptivos por otros más vagos sin ninguna razón discernible más que la pereza.
"Minimiza la ambigüedad" ha sido mi instrucción predilecta últimamente cuando el agente vuelve a derivar hacia términos vagos y falta de especificidad.
- bilater
En realidad, creo que la lección de este artículo es que muchos de estos pequeños trucos que estamos haciendo en torno a la compactación de contexto, AGENTS.md, guías del sistema y otras formas de arnés para ahorrar tokens van a desaparecer bastante rápido, igual que todos los trucos de la era del telégrafo desaparecieron una vez que la comunicación se volvió lo suficientemente barata como para que fuera más fácil simplemente hablar en lenguaje llano.
- netsharc
El Cablese/Telegraphese es más interesante que el uso en LLM. Busqué "paromella" en DuckDuckGo:
https://en.wikipedia.org/wiki/Commercial_code_(communication...
Algunos códigos que encontré interesantes:
> INSANE - ¿a qué precio, franco a bordo y flete, pueden ofrecernos algodón para embarque por vapor que zarpe esta semana?
> COGNOSCO - ceno fuera esta noche, envíen mi ropa de etiqueta aquí
¡Palabra clave útil!
> ANNOSUS — Confinada ayer, gemelos, ambos muertos, no se espera que la madre viva
¿Con qué frecuencia se usaría esa?
- z2
De conversaciones recientes con ChatGPT (GPT5.6) donde he visto filtraciones ocasionales de razonamiento en la interfaz, está claro que algo así ya está implementado, y especularía que esto es la mayoría de las afirmaciones recientes de menor uso de tokens. No sé si literalmente están pidiendo cablese, por supuesto.
"Necesito comprobar salida vs previa. Ejecuté script, resultados bien, necesito preparar siguiente paso. ¿Listo? Vamos."