# LLM 重学电报体：Telegraph Test 评测文本压缩与信息保留

> 原标题：Write Like It's 1866: LLMs Relearn Telegraphese

- 来源：Hacker News 首页
- 发布时间：2026-10-07T12:04:36.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/e1c97rn9spa3fxe2jnkjp8hde
- 原文：https://fiveminutesforward.com/post/2026-10-04-telegraph-test/

## 摘要

Telegraph Test 在 50 篇文本、约 1,300 个问题上测试 LLM 电报体压缩，跨模型读取的准确率与明文基线之比为 0.99–1.10。使用小写指令时，GLM-5.3-Flash 的记录节省 48.4% token，但直接以电报体作答的准确率比为 0.81；gpt-5-mini 因无法关闭推理，压缩后的写入费用约为明文的两倍。

## 推荐理由

Telegraph Test 将记录压缩与作答压缩分开测试，为智能体记忆提供了在内容确定后压缩、机器消费时保持简写的可迁移方法。

## 锐评

拿电报体压缩 agent 记忆，碰上强推理模型容易倒贴钱。GLM-5.3-Flash 能省 48.4% 的 token，读取准确率比还能到 1.09，看着挺划算。gpt-5-mini 关不掉 reasoning，硬让它压缩，写入账单直接变成明文的两倍。输出字数虽然短了，模型为了憋出简写多跑了一大截思考，钱全送给 API 厂商。这个账挺好算，我觉得能关推理的模型拿来存中间记录确实省钱，关不掉思考的用这套纯属花钱买罪受。