"说两遍"这个在人类沟通中略显烦人的习惯，对AI居然有奇效。
最近Google Research发布了一篇很有意思的论文，标题简单到让人怀疑是不是写错了：“Prompt Repetition Improves Non-Reasoning LLMs”（重复Prompt提升非推理LLM性能）。
研究人员在Gemini、GPT-4o、Claude、DeepSeek等主流模型上做了大量测试，得出了一个让人哭笑不得的结论：把同一句话说两遍，模型准确率最高能提升76%，而且还不增加延迟。
这到底是怎么回事？
一个"反常识"的发现
事情要从Transformer架构的一个根本特性说起。
当前几乎所有的大语言模型都是"因果语言模型"（Causal Language Model）。这意味着它们处理文本的方式是严格从左到右的——当模型正在处理你句子中的第5个词时，它能看到第1-4个词，但完全不知道第6个词以后的内容，因为它还没"读"到那里。
这个限制导致了一个很微妙的问题：信息的顺序至关重要。
举个例子，如果你输入<上下文><问题>和<问题><上下文>，模型可能会给出完全不同的答案。因为在后一种情况下，模型先读到问题，却还不知道这个问题应该关联什么上下文。
Google Research的研究人员想到一个办法：把整个输入复制一遍。
原来你是这样问的：
请根据以下内容回答问题：<你的内容>
问题：<你的问题>
现在变成这样：
请根据以下内容回答问题：<你的内容>
问题：<你的问题>
请根据以下内容回答问题：<你的内容>
问题：<你的问题>
就这么简单。
数据说话：47胜0负
研究人员设计了7个基准测试，包括ARC、OpenBookQA、GSM8K、MMLU-Pro等，测试了7个模型：Gemini 2.0 Flash Lite、GPT-4o-mini、Claude 3.7 Sonnet、DeepSeek V3等等。
结果：在70场对比中，重复Prompt赢了47场，平了23场，输了0场。
图1：在要求模型不使用推理时，主流LLM在各类基准测试上，重复Prompt与基线的准确率对比。星号表示根据McNemar检验具有统计学意义的胜利（p值<0.1）。重复Prompt在70次测试中赢了47场，0负。
最夸张的是一个叫"NameIndex"的测试。模型被要求从50个名字的列表中找出第25个名字：
单次Prompt准确率：21.33%
重复Prompt准确率：97.33%
提升了76个百分点。
为什么会有这么大的差异？因为在单次处理时，模型读到第25个名字时可能早就忘了前面数到哪了。但在第二次处理时，模型已经"记住"了整个列表，自然能准确找到目标。
零成本：免费的午餐
你可能会问：复制一遍输入不会增加成本和延迟吗？
答案是：几乎不会。
LLM的处理分为两个阶段：
预填充（Prefill）：处理输入prompt。这个阶段GPU可以高度并行处理，速度很快。
生成（Decoding）：逐个token生成答案。这个阶段是串行的，比较慢。
重复Prompt只增加了预填充阶段的工作量，而现代GPU处理预填充的效率极高。研究人员发现，重复Prompt没有增加生成的token数量，也没有增加首token响应时间。
唯一的例外是Anthropic的模型（Claude Haiku和Sonnet）在极长输入时，预填充阶段会遇到瓶颈。但对于绝大多数日常使用场景，这个technique几乎是免费的。
重要提醒：只对"非推理"任务有效
研究人员还发现了一个关键限制：这个方法对推理任务几乎无效。
图4：在要求模型"逐步思考"时，重复Prompt与基线的准确率对比。星号表示具有统计学意义的胜利。重复Prompt在28次测试中赢了5场，负1场。
当他们把重复Prompt和"思维链"（Chain of Thought）结合使用时，效果消失了——变成了5胜1负22平，基本原地踏步。
原因很有意思：推理模型自己在"思考"的时候，其实已经做了一种隐式的重复。当模型展示推理过程时，它通常会在生成的内容中先复述一遍问题，然后才开始解答。所以对推理模型来说，你再重复Prompt就变成画蛇添足了。
重复Prompt的最佳场景是：
需要快速、直接答案的任务
从长文档中提取特定信息
需要精确检索的任务
分类、实体提取、简单问答
不适合的场景：
需要复杂推理的问题
需要展示推理过程的任务
已经启用"思维链"的场景
思考
这个研究让我想起了Prompt Engineering领域的一个趋势：我们总是把事情搞得太复杂。
过去几年，我们发明了CoT、Self-Consistency、Tree of Thoughts、Emotional Prompting等各种花哨的技巧。但Google Research告诉我们，有时候最简单的办法反而最有效。
当然，这并不意味着要抛弃其他技巧。重复Prompt是一个"免费的午餐"，你可以和任何其他技巧叠加使用。但它提醒我们：在追求复杂解决方案之前，先试试最朴素的办法。
研究人员预测，未来我们可能会看到推理引擎在后台自动重复用户的prompt，或者专门训练模型来内化这种重复策略。
在那之前，如果你正在为模型不听话、信息提取不准确而烦恼，记住这个技巧：再说一遍。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
，性能与兼容性兼得)
