Hacker News AIT2·68 分
LLM 电报体压缩实验：准确率不降反升
原文标题：Write Like It's 1866: LLMs Relearn Telegraphese
- 电报体压缩使 Token 消耗降低约 30%，但不同模型收益差异显著
- 跨模型读取时，电报体的恢复率（Recovery Ratio）超过 1.0，即准确率高于明文
- 部分模型（如 GPT-5-mini）因无法关闭推理链，导致压缩后成本翻倍
返回热点榜
llm热度 15.5°
AI 聚簇研判事件 · 2026/10/7
LLM 电报体压缩实验：准确率不降反升
LLMs Relearn Telegraphese: Compression Boosts Accuracy
1 篇报道存证1 家独立信源交叉印证持续跟踪至 2026/10/7 12:04:36
全景综述与最新动态
1 家信源交叉印证一项基准测试显示，将 LLM 输出强制转换为“电报体”（Telegraphese）可大幅节省 Token，且跨模型读取准确率反而提升。该研究提供了开源复现工具，证明极简风格在特定场景下优于自然语言冗余表达。
最新动向/一项基准测试显示，将 LLM 输出强制转换为“电报体”（Telegraphese）可大幅节省 Token，且跨模型读取准确率反而提升。该研究提供了开源复现工具，证明极简风格在特定场景下优于自然语言冗余表达。