LLM 重学电报语：输出成本减半
Write Like It's 1866: LLMs Relearn Telegraphese
LLM 的 Token 计费模式其实和 1866 年的电报费如出一辙。研究发现，只需一条简单的指令让模型使用“电报语”（Cablese）风格——即省略冠词、填充词并缩写，同时保留所有事实数据——就能在保持跨模型理解力的前提下，将输出 Token 减少 40% 至 49%。这意味着 Agent 的内存容量变相翻倍，且无需任何额外训练或硬件升级。与那些难以审计的“黑盒”压缩协议不同，Cablese 是人类可读的，既保留了审计线索，又大幅降低了 API 账单。这一发现表明，LLM 的权重中早已内化了人类在带宽受限时代的写作智慧，我们只需唤醒它。
要么你的 Agent 在压缩端获得近两倍上下文，要么用一半的输出账单完成同样的工作。
HN 评论区
51- OtherShrezzing
这个页面（颇具讽刺意味地）充斥着极其浓重的 Claude 腔调，让人在满屏废话中很难找到有效信息。但一旦你拨开迷雾，就能看到这些事实：
>测试衡量的是什么：模型被给定一段文本和一组固定的问题，答案简短且可验证——一个日期、一个名字、一个计数。
所以，模型被给定的内容本身就特别容易被压缩，然后被要求在特定约束下复述它，比如……
>为什么明文基线不是 100%？用明文回答关于未压缩文本的问题，得分约为 91%……一个措辞不同的正确答案会被判定为 [失败]。
模型能够（也确实）给出客观正确的答案，却因为无法全知全能地掌握实施者偏好的措辞而受到惩罚。
如果这种现象是模型涌现出来的，那么这个基准测试并不能以有意义的方式证明这一点。
- Solomet
最新 LLM 写作的一个新特征：用通常更适合描述物理对象的术语来描述概念。
> 一个在前沿模型中抑制它的实验室，只是将优势转移到了仍然_携带_它的开源模型上
> 它们_携带_不了任何关于哪个更好的信号
> 你的工作负载_坐落_在该前沿的何处，应决定你选择的点
> 没有模型_坐_在评判者的位置上
> 每个比率都_坐落_在 0.99–1.10 之间
还有很多很多“坐”（sit）的例子。
> 本文中的每个比较都“持有”（holds）了问题
我在最近与 LLM 的工作中经常看到这种情况，非常令人沮丧。更令人沮丧的是，它们多么频繁地使用低信息量的术语来描述本不需要这样描述的事物。这些“物理对象”类的术语就是一个例子，但有时看起来它们为了“节省精力”，故意选择一个描述性较差的术语，仅仅因为它“合适”。
我也曾发现它毫无理由地用更模糊的术语替换描述性术语，除了懒惰之外看不出任何原因。
“最小化歧义”（Minimize ambiguity）最近成了我的首选指令，当代理（agent）开始滑向模糊术语和缺乏具体性时。
- netsharc
Cablese/Telegraphese（电报语）本身比其在 LLM 中的应用更有趣。我在 DuckDuckGo 上搜了“paromella”：
https://en.wikipedia.org/wiki/Commercial_code_(communication...
我发现一些有趣的密码：
> INSANE - 以什么价格、离岸价加运费，你们能本周用汽船发运棉花给我们？
> COGNOSCO - 今晚外出用餐，把我的礼服送到这里
很有用的密码词！
> ANNOSUS — 昨日被拘，双胞胎，双双夭折，母亲命悬一线
这个密码词到底用过多少次？
- z2
从最近的 ChatGPT（GPT5.6）对话中，我偶尔看到推理过程泄露到 UI 界面，这清楚地表明类似的东西已经实现了。我推测，最近大多数关于减少 token 使用的说法都源于此。当然，我不确定他们是否真的在提示词中要求使用 Cablese。
“需检查输出与之前对比。运行脚本，结果正常，需准备下一步。准备好了吗？开始。”
- 1vuio0pswjnm7
也许代理（agents）可以通过端口敲击、stickleback 表或类似的方式，利用摩尔斯电码进行通信。