你有没有想过，提升大模型效果的最简单方法，可能不是精心设计复杂的"思维链"（CoT）提示词，也不是进行昂贵的微调，而是直接把你的Prompt"复制粘贴"一遍？

ArXiv URL：http://arxiv.org/abs/2512.14982v1

这听起来像是一个"愚人节玩笑"，或者某种玄学，但来自 Google Research 的最新研究表明：这不仅有效，而且效果惊人。这篇名为《Prompt Repetition Improves Non-Reasoning LLMs》的论文揭示了一个反直觉的现象：在不使用推理模式的情况下，简单地重复输入Prompt，可以显著提升Gemini、GPT、Claude和DeepSeek等主流模型的性能，而且几乎不增加生成延迟。

为什么大模型需要"读两遍"？

要理解为什么"复读机"策略有效，我们需要回到大模型（LLM）的基本原理。

绝大多数LLM是作为因果语言模型（Causal Language Models）训练的。这意味着模型在处理文本时，只能"向后看"，无法"向前看"。过去的Token无法注意到未来的Token。

试想一下，如果你给模型一段很长的背景材料，然后在最后才提出问题（即 <CONTEXT> <QUESTION> 结构）。当模型在阅读前面的背景材料时，它并不知道后面会问什么，因此它可能无法有效地关注到与问题相关的关键信息。

这就像你在做英语阅读理解题：如果你先读完全文再看问题，往往需要回过头重读一遍才能找到答案。

该研究提出的解决方案简单得令人发指：Prompt Repetition（提示词重复）。

即将输入从 <QUERY> 变为 <QUERY><QUERY>。

如上图所示，通过重复Prompt，模型在处理第二遍Prompt时，实际上已经"看过了"完整的第一遍内容。这就好比让模型拥有了"全局注意力"，使得Prompt中的每一个Token都能关注到Prompt中的其他任何Token。

实验结果：47胜0负的压倒性优势

研究团队在7个主流模型上进行了测试，包括 Gemini 2.0 Flash、GPT-4o、Claude 3.7 Sonnet 以及 DeepSeek V3。测试覆盖了ARC、GSM8K、MMLU-Pro等7个基准测试集。

结果可以用"屠榜"来形容：

1. 1. 全面提升：在不使用推理（Reasoning）模式的情况下，Prompt Repetition 提升了所有测试模型在所有基准上的准确率。
2. 2. 胜率惊人：在70个"模型-基准"组合中，该方法赢了47次，输了0次（其余为持平）。
3. 3. 特定任务暴涨:在一些自定义任务上,提升幅度令人咋舌。例如,在 NameIndex 任务上,Gemini 2.0 Flash-Lite 的准确率从 21.33% 直接飙升到了 97.33%。

更有趣的是，研究发现这种方法对于"选项优先"（Options-first）的场景提升最大。这很好理解：如果先给选项再给问题，模型读选项时是一头雾水的；但如果重复一遍，模型在读第二遍选项时，就已经知道问题是什么了。

真正的"免费午餐"：效率分析

通常来说，提升模型性能往往伴随着代价，比如"思维链"（CoT）会让模型生成更多的Token，导致响应变慢、成本增加。

但 Prompt Repetition 几乎是"免费"的。

• • 生成长度不变：重复输入Prompt并不会让模型生成的答案变长。
• • 延迟几乎不变：虽然输入的Prompt变长了，但这部分计算发生在预填充阶段（Prefill Stage）。现代推理引擎对预填充阶段有极高的并行优化能力。

如下图所示，与标准的Prompt相比，重复Prompt（Prompt Repetition）在生成输出的长度和延迟上几乎没有变化。相比之下，使用"Think step by step"（Let's think）虽然也能提升性能，但会导致生成延迟大幅增加。

这意味着，你可以在现有的系统中直接通过代码逻辑把用户的Prompt拼接两次，用户几乎感觉不到任何延迟变化，但得到的回答质量却更高了。

总结与启示

这项研究不仅揭示了一个简单有效的"Prompt Engineering"技巧，更让我们对大模型的注意力机制有了新的思考。

• • 简单即正义：对于非推理模型，Prompt Repetition 可能应该成为一种默认的设置。
• • 无需改变架构：你不需要重新训练模型，也不需要复杂的Agent设计，只需要在API调用前加一行字符串拼接代码。
• • 推理模型的启示：研究还发现，经过强化学习训练的推理模型（Reasoning Models）往往会自动学会重复用户的请求。这说明"复读"本身就是一种内在的推理增强机制。

下次当你觉得大模型变"笨"了，在责怪模型之前，不妨试着把你的问题再说一遍？也许，它只是需要多读一次而已。