Hacker News Front Page · Travis Smith ·
Write Like It's 1866: LLMs Relearn Telegraphese
Un benchmark reproducible de 50 pasajes y unas 1.300 preguntas encuentra que los modelos pueden guardar resúmenes en «cablese» —un estilo telegráfico en minúsculas— con un ahorro de tokens del 25 % al 49 %, mientras otros modelos responden preguntas sobre esos registros con una precisión igual o ligeramente superior a la obtenida con texto normal. El autor sostiene que comprimir después de redactar el contenido permite ampliar la capacidad de memoria de agentes o reducir costos de salida sin perder legibilidad para los modelos; la expansión para lectores humanos recupera parte del ahorro. Los resultados varían según el modelo, y los modelos cuyo razonamiento no puede desactivarse pueden resultar más costosos al escribir en este formato. El texto reconoce que falta comparar la instrucción histórica con una indicación genérica de concisión, por lo que la explicación sobre el origen de esta capacidad en los datos de entrenamiento sigue siendo una hipótesis.
Instructed to answer in cablese — the telegraph operators' compressed dialect (drop the articles and filler, keep every fact) — a single one-sentence instruction, no examples and no codebook, elicits 40–49% fewer billed output tokens on the API's own meter, and models across four families still recover the information at full fidelity. For machine-to-machine traffic, that is half the output bill at any major API, today. The Victorian economics of the cable, reborn as token economics: the Telegraph Test benchmark.