LLM 重学电报体：token 计量下压缩输出可省 40% 以上成本

一句话看懂：一项在 Hacker News 上被讨论的实验显示，让大模型模仿 1866 年电报时代的“cablese”体写摘要，可在部分模型上节省约 40%–49% 的 token，且跨模型阅读准确率没有下降，反而略升至 plaintext 的 1.01–1.10 倍。

事件核心：发生了什么

实验作者 Travis42 在 2026 年 10 月发布了一套可复现测试，把 1866 年跨大西洋电缆按词收费的历史经验搬到了 LLM API 上。当年每条消息 10 美元、每词计价，催生了两种压缩策略：用固定码本替换整句（商业电报码）和直接改写为电报体。测试发现码本路线仅省约 10%，因为大多数文本不是码本形状，替换只能改名不能删词。

电报体路线表现更突出：在 50 篇文本、约 1300 个问题的基准上，GLM-5.3-Flash 作为写入模型、多个跨家族模型作为读者，token 节省达 40.4%（gemma-4-31b 写入）、48.9%（qwen3.8-27b 写入）、48.4%（GLM-5.3-Flash 自身写入），恢复比均落在 0.99–1.10 区间，1.00 表示与 plaintext 完全持平。唯一例外是 gpt-5-mini：无法关闭推理，压缩后账单约为普通文本的两倍，是矩阵中唯一不划算的家族。

为什么重要

LLM API 本质上重新回到了按 token 计费的电报时代，只不过计费单位从“词”换成了“token”。这项实验的意义不在于发明了新能力，而在于指出压缩表达已经在模型权重里：四个没有见过示例的模型家族，拿到冷启动的压缩记录后，阅读准确率仍与 plaintext 持平甚至略高。节省主要来自删掉冠词、填充词和冗余措辞，同时保留全部事实、数字和专有名词。

如果这一结果在更多生产负载上复现，它会影响 API 成本结构、上下文窗口利用率和长文档处理方案。但需要明确：这是社区实验，目前公开信息显示尚未见到同行评审或官方产品化公告。

对用户/开发者/创作者的影响

开发者可以在摘要、日志压缩和中间记录传递链路中尝试类似的提示词约束，尤其是成本敏感的多轮代理工作流。普通用户通过 API 调用大模型时，输出更短意味着直接账单下降，但输入端压缩收益取决于任务是否容忍电报体。创作者和企业采购需注意：压缩不改变事实保真度，但会改变可读性和格式合规要求，面向最终用户的正式输出仍应展开为自然语言。