Write Like It's 1866: LLMs Relearn Telegraphese

A reproducible benchmark on GitHub shows that prompting LLMs to write in cablese—the terse, lowercase style of 19th-century telegraph messages—yields 40–49% token savings without losing downstream comprehension. Using a 50-passage, ~1,300-question benchmark, the study found that models like gemma-4-31b, qwen3.8-27b, and GLM-5.3-Flash all achieve recovery ratios between 0.99 and 1.10 when reading compressed records versus plaintext. The key is a single lowercase instruction: without it, models default to ALL CAPS, costing 14–19 accuracy points.

Notably, gpt-5-mini cannot disable reasoning, doubling its bill. The technique works across four model families, including those never trained on cablese, proving the capability is already in their weights. Compression is most effective when applied after content is settled, not during composition, avoiding a "register tax." The result is a verified, zero-cost optimization that nearly doubles effective context or halves output bills.

يُظهر معيار قابل للتكرار على GitHub أن مطالبة نماذج اللغة الكبيرة بالكتابة بالأسلوب cablese—الأسلوب المختصر والحروف الصغيرة لرسائل التلغراف في القرن التاسع عشر—يحقق توفيرًا في الرموز بنسبة 40–49% دون فقدان الفهم downstream. باستخدام معيار من 50 مقطعًا وحوالي 1300 سؤال، وجدت الدراسة أن النماذج مثل gemma-4-31b، qwen3.8-27b، وGLM-5.3-Flash تحقق جميعها نسب استرداد تتراوح بين 0.99 و1.10 عند قراءة السجلات المضغوطة مقارنة بالنص العادي. المفتاح هو تعليمات lowercase واحدة: بدونها، تعود النماذج إلى الأحرف الكبيرة全部، مما يكلفها 14–19 نقطة دقة. Notably، لا يمكن لـ gpt-5-mini تعطيل الاستدلال، مما يضاعف فاتورته. تعمل هذه التقنية عبر أربع عائلات من النماذج، بما في ذلك تلك التي لم تُدرَّب أبدًا على cablese، مما يثبت أن القدرة موجودة بالفعل في أوزانها. يكون الضغط أكثر فعالية عندما يُطبق بعد استقرار المحتوى، وليس أثناء التأليف، مما يتجنب "ضريبة التسجيل". النتيجة هي تحسين مُتحقق منه وبتكلفة صفرية يضاعف تقريبًا السياق الفعال أو يقلل فواتير الإخراج إلى النصف.

GitHub-এ একটি পুনরাবৃত্তিযোগ্য বেঞ্চমার্ক দেখায় যে LLMs-কে cablese—১৯শতকের টেলিগ্রামের সংক্ষিপ্ত, lowercase শৈলী—এ লেখার জন্য প্ররোচিত করলে ৪০–৪৯% টোকেন বাঁচা হয় downstream বোঝার কোনো ক্ষতি না হলে। ৫০-অংশ, ~১,৩০০-প্রশ্ন বেঞ্চমার্ক ব্যবহার করে, अध्ययन পाया যে gemma-4-31b, qwen3.8-27b, এবং GLM-5.3-Flash जैसे মডেলস সংকুচিত রেকর্ড পড়লে PLAINTEXT এর তুলনায় ০.৯৯ এবং ১.১০ মধ্যে রিকভারি অনুপাত অর্জন করে। মূলটি একটি ছোট lowercase নির্দেশ: এর ausenciaে, মডেলস ডিফল্টভাবে ALL CAPS-এ চলে যায়, যার ফলে ১৪–১৯ অंक শুধুতাই ক্ষতি হয়। উল্লেখযোগ্যভাবে, gpt-5-mini তর্ককে নিষ্ক্রিয় করতে পারে না, ফলে এর বিল দ্বিগুণ হয়। এই কৌশলটি চারটি মডেল পরিবারে কাজ করে, যেগুলে কখনো cablese-এ প্রশিক্ষিত হয়নি, যা सिद्ध করে যে ক্ষমতা ইতিমধ্যে তাদের ওজনে বিদ্যমান আছে। সংকুচন সবচেয়ে কার্যকর হয় যখন এটি কন্টেন্ট স্থিতিশীল হওয়ার পর প্রয়োগ করা হয়, রচনার সময় না, ফলে একটি "রেজিস্টার ট্যাক্স" থেকে বাঁচা যায়। ফলাফল একটি যাচাইকৃত, শূন্য-খরচের অপ্টিমাইজেশন যা কার্যকর কনটেক্সটকে تقریباً দ্বিগুণ করে বা আউটপুট বিলকে অর্ধ করে।

Ein reproduzierbarer Benchmark auf GitHub zeigt, dass die Aufforderung an LLMs, im cablese-Stil zu schreiben—dem knappen, kleingeschriebenen Stil von Telegrammen des 19. Jahrhunderts—zu einer Einsparung von 40–49% an Tokens führt, ohne das downstream-Verständnis zu beeinträchtigen. Bei Verwendung eines Benchmarks mit 50 Passagen und etwa 1.300 Fragen stellte die Studie fest, dass Modelle wie gemma-4-31b, qwen3.8-27b und GLM-5.3-Flash bei der Lektüre komprimierter Aufzeichnungen gegenüber Flachtext alle Wiederherstellungsquoten zwischen 0.99 und 1.10 erreichen.

Der Schlüssel besteht in einer einzelnen Kleinbuchstaben-Anweisung: Ohne sie fallen die Modelle auf ALLE GROSSBUCHSTABEN zurück, was zu einem Verlust von 14–19 Genauigkeitspunkten führt. Notably kann gpt-5-mini das Reasoning nicht deaktivieren, wodurch sich seine Kosten verdoppeln. Die Technik funktioniert bei vier Modellfamilien, einschließlich jener, die niemals auf cablese trainiert wurden, und belegt, dass die Fähigkeit bereits in ihren Gewichten vorhanden ist.

Die Kompression ist am effektivsten, wenn sie nachdem der Inhalt stabil ist, angewendet wird—nicht während der Komposition—um eine „Registrierungssteuer“ zu vermeiden. Das Ergebnis ist eine verifizierte, kostenfreie Optimierung, die den effektiven Kontext nahezu verdoppelt oder die Ausgabe-Kosten halbiert.

Un punto de referencia reproducible en GitHub muestra que indicarle a los LLMs que escriban en cablese—el estilo terso y en minúsculas de los telegramas del siglo XIX—produce un ahorro de 40–49% de tokens sin perder comprensión downstream. Usando un benchmark de 50 pasajes y ~1,300 preguntas, el estudio encontró que modelos como gemma-4-31b, qwen3.8-27b y GLM-5.3-Flash alcanzan ratios de recuperación entre 0.99 y 1.10 al leer registros comprimidos frente a texto plano. La clave es una sola instrucción en minúsculas: sin ella, los modelos predeterminan TODO EN MAYÚSCULAS, costando 14–19 puntos de precisión.

Notably, gpt-5-mini no puede desactivar el razonamiento, duplicando su costo. La técnica funciona en cuatro familias de modelos, incluyendo aquellos nunca entrenados en cablese, demostrando que la capacidad ya está en sus pesos. La compresión es más efectiva cuando se aplica después de que el contenido se establece, no durante la composición, evitando un 'impuesto de registro'.

El resultado es una optimización verificada y sin costo que casi duplica el contexto efectivo o reduce a la mitad las facturas de salida.

Une référence reproductible sur GitHub montre que demander aux LLM d'écrire en cablese—le style concis et en minuscules des télégrammes du XIXe siècle—permet d'économiser 40–49 % de tokens sans perte de compréhension downstream. En utilisant une référence de 50 passages et d'environ 1 300 questions, l'étude a révélé que des modèles comme gemma-4-31b, qwen3.8-27b et GLM-5.3-Flash atteignent tous des taux de récupération compris entre 0.99 et 1.10 lorsqu'ils lisent des enregistrements compressés par rapport au texte brut. La clé réside dans une seule instruction en minuscules : sans elle, les modèles reviennent par défaut aux MAJUSCULES, ce qui leur coûte 14–19 points de précision.

Notably, gpt-5-mini ne peut pas désactiver le raisonnement, ce qui double sa facture. Cette technique fonctionne auprès de quatre familles de modèles, y compris ceux qui n'ont jamais été entraînés sur le cablese, prouvant que cette capacité est déjà présente dans leurs poids. La compression est la plus efficace lorsqu'elle est appliquée après que le contenu est stabilisé, et non pendant la rédaction, évitant ainsi une « taxe de registre ».

Le résultat est une optimisation vérifiée et sans coût qui presque double le contexte effectif ou réduit de moitié les factures de sortie.

GitHub पर एक दोहराने योग्य बेंचमार्क दिखाता है कि LLMs को प्रेरित करके उन्हें cablese में लिखने के लिए कहा जाए—19वीं सदी के टेलीग्राम्स की संक्षिप्त, lowercase शैली—तो 40–49% टोकन बचत होती है बिना downstream समझ में कमी के। 50-अंश, ~1,300-प्रश्न बेंचमार्क का उपयोग करते हुए, अध्ययन पाया कि gemma-4-31b, qwen3.8-27b, और GLM-5.3-Flash जैसे मॉडल्स संपीड़ित रिकॉर्ड्स को पढ़ने पर PLAINTEXT की तुलना में 0.99 और 1.10 के बीच रिकवरी अनुपात हासिल करते हैं। मुख्य बात एक छोटा lowercase निर्देश है: इसके बिना, मॉडल डिफ़ॉल्ट रूप से ALL CAPS में जाते हैं, जिससे 14–19 अंक सटीकता की हानि होती है। उल्लेखनीय रूप से, gpt-5-mini तर्क को अक्षम नहीं कर सकता, जिससे उसका बिल दोगुना हो जाता है। यह तकनीक चार मॉडल परिवारों में काम करती है, जिनमें से कुछ कभी cablese पर प्रशिक्षित नहीं हुए, जिससे यह सिद्ध होता है कि क्षमता पहले से ही उनके वज़न में है। संपीड़न सबसे प्रभावी होता है जब इसे सामग्री स्थिर होने के बाद लगाया जाता है, रचना के दौरान नहीं, जिससे एक "रजिस्टर टैक्स" से बचा जाता है। परिणाम एक सत्यापित, शून्य-लागत अनुकूलन है जो प्रभावी संदर्भ को लगभग दोगुना कर देता है या आउटपुट बिल को आधा कर देता है।

Sebuah benchmark yang dapat diulang di GitHub menunjukkan bahwa meminta LLM untuk menulis dalam cablese—gaya singkat dan huruf kecil dari pesan telepon abad ke-19—menghemat 40–49% token tanpa mengurangi pemahaman downstream. Dengan menggunakan benchmark 50 pasaj dan sekitar 1.300 pertanyaan, penelitian menemukan bahwa model seperti gemma-4-31b, qwen3.8-27b, dan GLM-5.3-Flash semua mencapai rasio pemulihan antara 0.99 dan 1.10 saat membaca rekaman yang terkompresi dibandingkan dengan teks biasa. Kunci adalah satu instruksi huruf kecil: tanpa itu, model secara default beralih ke HURUF BESAR SEMUA, yang menyebabkan kehilangan 14–19 poin akurasi.

Notably, gpt-5-mini tidak dapat menonaktifkan penalaran, sehingga mengalihkan biayanya menjadi dua kali lipat. Teknik ini bekerja di empat keluarga model, termasuk yang tidak pernah dilatih pada cablese, membuktikan bahwa kemampuan tersebut sudah ada dalam bobotnya. Kompresi paling efektif ketika diterapkan setelah konten stabil, bukan selama komposisi, untuk menghindari "pajak registrasi".

Hasilnya adalah optimisasi yang terverifikasi dan tanpa biaya yang hampir menggandakan konteks efektif atau memotong tagihan output menjadi setengah.

GitHub上の再現可能なベンチマークによると、LLMにcablese—19世紀の電報の簡潔な小文字スタイル—で書くよう促すと、下流の理解を損なうことなくトークン使用量が40–49%削減されます。50のパッセージと約1,300の質問からなるベンチマークを使用して、この研究ではgemma-4-31b、qwen3.8-27b、およびGLM-5.3-Flashなどのモデルが、プレーンテキストと比較して圧縮レコードを読む際の回復率が0.99から1.10の範囲内であることがわかりました。鍵となるのは小文字の単一の指示です：これがないと、モデルはデフォルトでALL CAPSになり、14–19ポイントの精度を失います。特に注目すべきは、gpt-5-miniは推論を無効にできず、その結果コストが2倍になることです。この手法は、cableseで訓練されたことがないモデルファミリーを含む4つのモデルファミリーで機能し、その能力がすでに重みに組み込まれていることを証明します。圧縮は、コンテンツが確定した後に適用するのが最も効果的で、構成中に適用すると「レジスタ税」が発生します。その結果、ゼロコストで検証済みの最適化が得られ、有効コンテキストがほぼ2倍になるか、出力コストが半分になります。

Um benchmark reproduzível no GitHub mostra que pedir aos LLMs para escreverem em cablese—o estilo conciso e em minúsculas dos telegramas do século XIX—resulta em economia de 40–49% de tokens sem perda de compreensão downstream. Usando um benchmark de 50 trechos e aproximadamente 1.300 perguntas, o estudo descobriu que modelos como gemma-4-31b, qwen3.8-27b e GLM-5.3-Flash alcançam razões de recuperação entre 0.99 e 1.10 ao ler registros comprimidos em comparação com texto simples. A chave é uma única instrução em minúsculas: sem ela, os modelos padrão para TUDO EM MAIÚSCULAS, custando 14–19 pontos de precisão.

Notably, gpt-5-mini não pode desativar o raciocínio, dobrando sua conta. A técnica funciona em quatro famílias de modelos, incluindo aqueles nunca treinados em cablese, provando que a capacidade já está em seus pesos. A compressão é mais eficaz quando aplicada após o conteúdo estar estabilizado, não durante a composição, evitando um "imposto de registro".

O resultado é uma otimização verificada e sem custo que quase dobra o contexto efetivo ou reduz pela metade as contas de saída.

Воспроизводимый бенчмарк на GitHub показывает, что запрос к LLM писать в стиле cablese—коротком и строчном стиле телеграмм XIX века—дает экономию 40–49% токенов без потери downstream-п理解ния. Используя бенчмарк из 50 отрывков и примерно 1300 вопросов, исследование показало, что модели вроде gemma-4-31b, qwen3.8-27b и GLM-5.3-Flash достигают коэффициентов восстановления от 0.99 до 1.10 при чтении сжатых записей по сравнению с обычным текстом. Ключ — одна строчная инструкция: без нее модели по умолчанию переходят на ВСЕ ЗАГЛАВНЫЕ, теряя 14–19 пунктов точности. Notably, gpt-5-mini не может отключить рассуждения, что удваивает его счет. Эта техника работает в четырех семействах моделей, включая те, которые никогда не обучались на cablese, доказывая, что способность уже заложена в их весах. Сжатие наиболее эффективно, когда применяется после стабилизации контента, а не во время составления, избегая «налога на регистр». Результат — проверенная оптимизация без затрат, которая почти удваивает эффективный контекст или сокращает счета за вывод вдвое.

A reproducible benchmark on GitHub shows that prompting LLMs to write in cablese—the terse, lowercase style of 19th-century telegraph messages—yields 40–49% token savings without losing downstream comprehension. Using a 50-passage, ~1,300-question benchmark, the study found that models like gemma-4-31b, qwen3.8-27b, and GLM-5.3-Flash all achieve recovery ratios between 0.99 and 1.10 when reading compressed records versus plaintext. The key is a single lowercase instruction: without it, models default to ALL CAPS, costing 14–19 accuracy points.

Notably, gpt-5-mini cannot disable reasoning, doubling its bill. The technique works across four model families, including those never trained on cablese, proving the capability is already in their weights. Compression is most effective when applied after content is settled, not during composition, avoiding a "register tax." The result is a verified, zero-cost optimization that nearly doubles effective context or halves output bills.