谷歌这项发现让我惊掉了下巴：重复一遍提示词，AI准确率从21%飙到97%！

一、今天的AI圈炸锅了

本来今天还想写点什么别的，结果刷到这条新闻直接给我整懵了——Google Research发了一篇论文，说只要把问题重复一遍，大模型的准确率就能从21.33%飙升到97.33%。

我当时的第一反应是：这是在开玩笑吧？

但是仔细看了他们的测试数据，我直接沉默了。70次基准测试，47次胜利，而且——重点是——没有一次是失败的。也就是说，这个简单的“复读机”技巧，在所有测试过的任务上都要么持平，要么大幅提升。

二、为什么这么离谱？

说实话，我一开始也不相信。毕竟我们天天折腾提示词工程，又是思维链又是少样本学习，各种花活儿都使出来了，结果人家谷歌告诉你：你就把问题说两遍，搞定。

这听起来简直像是在说：别练那些复杂的武功了，你就重复出招就行了。

但看完论文之后，我不得不承认，这个发现背后是有深刻的技术原理的。

问题出在LLM的架构上。

大语言模型用的是Transformer架构，处理顺序是从左到右。这意味着什么呢？意味着模型在处理输入内容的时候，根本不知道后面会问什么问题。

举个例子，你给模型一段长文本，然后问一个问题。模型在“读”这段文本的时候，完全不知道自己最后要回答什么，所以注意力分配可能就偏了。

但是！如果你把问题重复一遍，就等于给了模型一个“二次扫描”的机会。第一次重复时，模型会意识到“哦，原来后面有这个问题”，然后在真正处理时就能更有针对性地分配注意力。

三、实测数据太疯狂了

论文里的数据简直让人不敢相信。

在非推理任务上，Gemini的准确率从21.33%提升到了97.33%。这是什么概念？翻了整整4.5倍！

而且不只是Gemini，他们测试了几乎所有主流的大模型：

• GPT-4o
• Claude 3
• DeepSeek V3

全部都有显著提升。

最让我震惊的是，这个技巧几乎不会增加任何额外的计算成本。你不需要更多的token，不需要更复杂的模型，不需要更多的推理步骤——就是把输入复制粘贴一遍而已。

四、这意味着什么？

我觉得这个发现可能会彻底改变我们使用AI的方式。

对于普通用户

你不需要再花时间学习各种复杂的提示词技巧了。虽然有些高级技巧还是有用的，但最基础的提升，可能就是把问题说两遍。

对于开发者

这是一个巨大的性能优化机会。想象一下，你的AI应用不需要额外的推理成本，就能提升几十个百分点的准确率，这对产品竞争力意味着什么？

对于整个行业

这个发现暴露了LLM的一个根本性缺陷：因果注意力的局限性。虽然重复提示词是个巧妙的workaround，但长远来看，我们可能需要重新思考模型的架构设计。

五、我的实测体验

看到这个新闻之后，我迫不及待地自己试了一下。

我找了个之前让我很抓狂的问题——让AI总结一篇长文的核心观点。之前的效果一般，经常漏掉一些重要的点。

然后我把问题重复了一遍：“请总结这篇文章的核心观点。请总结这篇文章的核心观点。”

结果你猜怎么着？

准确率真的明显提升了！不仅覆盖了所有要点，而且结构也更清晰。

虽然我没法精确测量准确率从多少提升到了多少，但主观感受上，至少提升了30-40%。

六、一些思考

其实仔细想想，这个发现也不算完全意外。

人类沟通的时候，不也经常强调重点吗？“记住，记住，重要的事情说三遍”——这不就是提示词重复的人类版吗？

但神奇的是，AI“吃”这一套的程度，远远超出了我的预期。97%的准确率，这基本上就是接近完美的水平了。

这也让我想到一个更深的问题：我们是不是过度迷信“复杂即有效”了？在AI领域，我们总是追求更复杂的模型、更精细的技巧、更炫酷的架构，但有时候，最简单的解决方案反而最有效。

七、总结

今天的这个发现，可以说是2026年AI领域最让我惊喜的新闻了。

• 效果惊人：21%→97%，提升幅度难以置信
• 方法简单：重复提示词，零学习成本
• 适用广泛：几乎所有主流模型都受益
• 成本极低：不需要额外的计算资源

虽然这个技巧主要适用于非推理任务（推理任务中模型本身就有思考机制），但对于绝大多数AI应用场景来说，这已经足够了。

我已经开始在自己的工作流程中应用这个技巧，效果真的很明显。建议大家也试试——毕竟成本是零，但收益可能巨大。

最后，我想说的是：AI领域还真是充满了惊喜。你以为自己已经懂了不少，结果一个新的发现就能彻底颠覆你的认知。

这大概就是AI这个领域的魅力所在吧。

本文基于Google Research发表的《Prompt Repetition Improves Non-Reasoning LLMs》论文编写，论文链接：arXiv，发布于2025年12月17日。

博主注：实测验证建议在具体任务上进行，不同场景效果可能有所差异。