3月3日消息，“重要的事情說兩遍。”這聽起來像是玄學(xué)，但確實是真的。

2026年，當(dāng)很多的人還在費盡心機(jī)設(shè)計復(fù)雜提示詞，想讓AI更好地聽懂人類需求時，谷歌研究院悄悄發(fā)布了一篇論文，提出了一個簡單到讓人意外的方法——重復(fù)提示詞，就能大幅改善大語言模型在非推理任務(wù)上的表現(xiàn)。

方法簡單到離譜：

先寫好你的需求提示詞，再把它復(fù)制一遍、粘貼在后面，直接發(fā)給AI就可以。

比如：

之前你的提示詞是：“這是我的問題”。

現(xiàn)在把它換成：“這是我的問題”“這是我的問題”，然后喂給AI。

這篇論文名為《提示重復(fù)可增強(qiáng)大語言模型非推理性能（Prompt Repetition Improves Non-Reasoning LLMs）》，它的核心結(jié)論，徹底顛覆了人們對AI提示詞設(shè)計的固有認(rèn)知。

整個論文比較長，我用AI總結(jié)了一下核心意思：

“谷歌研究團(tuán)隊發(fā)現(xiàn)了一個優(yōu)化大語言模型的簡單實用方法：在不需要模型做邏輯推理的場景下，把輸入的提示詞完整重復(fù)一遍，能明顯提升模型的回答準(zhǔn)確率，還幾乎不會增加生成內(nèi)容的長度和響應(yīng)耗時。

大模型本身無法讓提示詞里的信息相互關(guān)聯(lián)，提示詞的順序還會影響回答效果，而重復(fù)提示詞能讓這些信息彼此呼應(yīng)，且這個重復(fù)操作只在模型的并行預(yù)處理階段完成，不會影響后續(xù)的內(nèi)容生成。

團(tuán)隊測試了Gemini、GPT、Claude 等7個主流模型，在多項標(biāo)準(zhǔn)任務(wù)和 2個自定義任務(wù)中，無推理場景下該方法47 次提升模型性能且0次失效，自定義任務(wù)里模型準(zhǔn)確率甚至從21.33%飆升至 97.33%。

但讓模型逐步推理時，這個方法效果一般，因為推理型模型本就會自主重復(fù)部分提示詞。

實驗還證實，性能提升是因為重復(fù)提示詞本身，而非單純增加輸入長度，重復(fù)三次在部分任務(wù)中效果更好。該方法基本不改變輸出格式，能直接適配現(xiàn)有系統(tǒng)，僅 Claude 處理超長內(nèi)容時延遲會稍增，是個易落地的輕量優(yōu)化方案。”

說白了，這就是我們從小聽到大的“重要的事情說兩遍”，沒想到這個樸素的道理，在AI身上同樣管用。

為了驗證這個方法是否可行，谷歌研究團(tuán)隊做了嚴(yán)謹(jǐn)測試，選取了Gemini、GPT-4、Claude、DeepSeek等7個主流大模型，在70種不同場景下展開驗證。

結(jié)果出人意料：47個場景中，AI的表現(xiàn)有明顯提升；23個場景中表現(xiàn)持平；全程沒有出現(xiàn)因為重復(fù)提示詞，導(dǎo)致AI表現(xiàn)變差的情況。

論文中設(shè)計了一項名為NameIndex的測試，具體來說，就是給AI一份包含50個名字的長名單，然后問它“第25個人叫什么名字”。

這項任務(wù)對人類來說，只要逐個數(shù)一遍就能完成，但對AI而言，要在長長的序列中精準(zhǔn)定位，難度不小。常規(guī)操作下，Gemini 2.0 Flash-Lite模型的準(zhǔn)確率只有21.3%，幾乎和瞎蒙沒區(qū)別；而使用重復(fù)提示詞的方法后，準(zhǔn)確率直接飆升到97.3%，提升幅度超過4倍，從幾乎無法使用的狀態(tài)，變得近乎完美。

而且這種提升不是個例，像數(shù)學(xué)題、代碼理解這類不需要極強(qiáng)推理能力的任務(wù)，重復(fù)提示詞都能帶來穩(wěn)定的效果提升。

這個看似很笨的土辦法，背后其實有明確的科學(xué)邏輯，并非什么玄學(xué)。

當(dāng)前主流的大語言模型，都采用Transformer架構(gòu)，它有一個明顯的短板，只能單向閱讀。AI讀取提示詞時，就像我們看直播彈幕一樣，只能逐詞往后看，讀到前面的內(nèi)容時，根本不知道后面會講什么，很容易遺漏關(guān)鍵信息。

而重復(fù)提示詞，相當(dāng)于讓AI做了一次“虛擬重讀”（Virtual Re-reading），當(dāng)它讀第二遍內(nèi)容時，已經(jīng)對整體情況有了了解，就能借著第一遍的記憶，精準(zhǔn)抓住那些真正重要的信息，從而提高響應(yīng)的準(zhǔn)確性。

不過，這個技巧也不是萬能的，存在明顯的局限性。谷歌論文中也明確提到，它對OpenAI的o1、國產(chǎn)DeepSeek-R1這類主打深度推理（Reasoning）的模型，效果并不明顯。

原因很簡單，這類模型在給出答案之前，內(nèi)部已經(jīng)完成了類似反復(fù)琢磨的過程，這時再在外部重復(fù)提示詞，就顯得多此一舉了。

另外，如果提示詞本身已經(jīng)很長，快達(dá)到模型的上下文上限，再復(fù)制一遍，可能會導(dǎo)致AI處理速度變慢，甚至出現(xiàn)內(nèi)存溢出的情況。

除此之外，這個技巧更適合信息提取、閱讀理解這類任務(wù)，要是讓AI寫小說、寫詩，重復(fù)提示詞不僅不會讓文采變好，反而可能讓AI感到困惑。

業(yè)內(nèi)人士認(rèn)為，這一研究也給大家提了個醒，優(yōu)化AI性能，未必非要依賴復(fù)雜技術(shù)，有時候最樸素的方法，反而能帶來意外驚喜。

對普通用戶來說，以后遇到AI答非所問，或者處理長文檔時丟三落四的情況，不用急著花心思改寫復(fù)雜提示詞，不妨試著把自己的需求復(fù)制粘貼一遍再發(fā)送。

畢竟“重要的事情說兩遍”，這份人類幾千年來總結(jié)的智慧，在AI身上同樣適用，也能讓我們以極低的成本提升使用體驗。

網(wǎng)友評論：

“真是不可思議，如此簡單粗暴的方法居然效果這么好。這讓我不禁思考，還有多少顯而易見的技巧我們因為沒人系統(tǒng)地測試而錯過了。

對于這個領(lǐng)域來說，有點尷尬的是，“重復(fù)兩遍哈哈”竟然也算是一種合法的優(yōu)化策略。

這是一篇極具洞察力的論文。令人印象深刻的是，如此簡單的技巧竟能顯著提升非推理模型的性能。Gemini 2.0 Flash-Lite僅通過重復(fù)提示，就能在特定任務(wù)中將準(zhǔn)確率從 21.33% 提升至 97.33%，這著實令人驚嘆。

我還發(fā)現(xiàn)，由于重復(fù)操作是在可并行化的預(yù)填充階段處理的，因此延遲不受影響，這一點尤其令人感興趣。感謝分享，我一定會付諸實踐。”

大家不妨都試試。