Google Research 的一项研究发现了一个极其简单却效果惊人的技巧：只需将问题重复一遍，就能大幅提升大语言模型的准确率。这一方法颠覆了复杂的提示工程，几乎不增加耗时，为开发者提供了低成本、高效率的模型性能优化方案，尤其适用于信息检索等任务。
智能速览
重复提示词可显著提升大模型在非推理任务上的准确率。
实测中Gemini模型准确率从21.33%跃升至97.33%，最高提升76个百分点。
该技巧解决了Transformer模型无法“回头看”的“因果盲点”缺陷。
由于GPU高度并行处理，该技巧几乎不影响生成速度，无需升级昂贵模型。
此方法主要适用于非推理任务，对需要逐步推导的场景效果有限。
精华内容
复杂的提示工程正在被一种极简技巧颠覆。这个简单的“复读机”战术背后，隐藏着对大模型底层工作机制的深刻洞察与巧妙利用。
惊人效果
Google Research 的研究证实，简单地重复提示词可以极大地提升大语言模型在非推理任务上的表现。
在实验中，包括 Gemini、GPT-4o、Claude 和 DeepSeek 在内的主流模型，准确率实现了跨越式增长。以 Gemini 2.0 Flash-Lite 为例，其在“NameIndex”测试中的准确率从基线的 21.33% 飙升至 97.33%，提升了整整 76 个百分点。在对七种主流模型和七个基准测试进行的 70 组正面对比中，该技巧赢得了 47 组，无一败绩，显示出其普适性和有效性。
背后的原理
这种效果并非偶然，它源于 Transformer 模型架构固有的“因果盲点”。模型严格按照从左到右的顺序处理信息，无法像人类一样回头审视已读内容，导致在处理长文本或进行精确信息检索时，出现信息对齐偏差，容易遗漏关键细节。
重复提示词相当于为模型打上一个“认知补丁”。当模型处理第二遍重复的问题时，其注意力机制获得了类似“上帝视角”的全局观，能够更精准地捕捉和关联任务所需的上下文信息，从而有效弥补了单向信息流造成的缺陷。
应用与边界
该技巧最吸引人的一点是其经济性和高效性。由于现代 GPU 在处理信息的 Prefill 阶段具有高度并行计算能力，即使输入内容翻倍，增加的计算延迟也几乎可以被用户忽略。这意味着开发者无需升级到参数量更大、调用成本更昂贵的模型，就能以极低成本实现高精度的信息检索与抽取任务。
但需注意，“复读机”战术主要适用于非推理任务。对于需要逐步逻辑推导的场景，如数学证明或复杂规划，其效果有限。此外，其安全性影响也需进一步评估，它既可能被用于放大指令以绕过安全限制，也能被防御者用来通过重复安全规则来强化模型的安全约束。
这一简单技巧的发现，再次证明了理解模型底层原理对于优化应用的重要性。它为AI应用开发提供了一条低成本、高回报的优化路径。未来，是否还会有更多类似的、直击模型核心机制的“小技巧”被发现，从而改变我们与AI交互的方式？
