Google Research研究：简单重复提示词可大幅提

据“新智元”，Google Research的一项新研究揭示了一个简单却极其有效的提示词技巧：通过将问题复制粘贴再说一遍，可显著提升大模型在非推理任务上的准确率。在实验中，Gemini、GPT-4o、Claude和DeepSeek等主流模型的准确率从21.33%飙升至97.33%，最高提升达76个百分点。这种技巧颠覆了以往复杂的提示工程，如“思维链”“多样本学习”等，且几乎不影响生成速度。

研究人员对七个常见基准测试和七种主流模型进行了对比测试，发现“提示词重复”在70组正面对比中赢了47组，无一败绩。特别是在需要从长篇大论中精确检索信息的任务上，效果显著。例如，在“NameIndex”测试中，Gemini 2.0 Flash-Lite的准确率从21.33%提升到97.33%。

这一现象背后的原因是Transformer模型的“因果盲点”。模型按从左到右的顺序处理文本，无法“回头看”，导致信息处理存在缺陷。而“提示词重复”相当于给模型打了一个补丁，让第二遍阅读获得类似“上帝视角”的注意力效果，从而更准确地对齐任务所需的上下文。

此外，这种技巧几乎不会增加延迟时间，因为LLM处理信息的Prefill阶段高度可并行，现代GPU的强大算力使得即使输入内容翻倍，用户也几乎感受不到差异。这意味着开发者无需升级到更大更贵的模型，就能实现高准确率的检索和抽取任务。

不过，“复读机”战术主要适用于非推理任务，不适用于需要逐步推导的场景。在安全方面，重复可能放大某些指令的显著性，对越狱成功率的影响需要专门实验。同时，防御者也可以利用这一机制，通过在系统提示词开头重复安全规则，增强模型对安全约束的注意力。