时间与地点
2026年1月，谷歌研究团队发布了一项关于大语言模型优化的研究成果，相关论文《Prompt Repetition Improves Non-Reasoning LLMs》在学术圈引起广泛关注。
核心人物与研究团队
该研究由Google Research团队主导完成。值得注意的是，这项发现颠覆了以往需要复杂提示工程的传统思路。
发生了什么事：简单重复提问的巨大能量
谷歌研究发现，只需将用户的提示词重复输入一遍，就能显著提升大模型在非推理任务中的表现。具体操作是将原来的 <QUERY> 变成了 <QUERY><QUERY>格式。
研究团队在7个主流模型上进行了大规模测试，包括Gemini 2.0 Flash、GPT-4o、Claude 3.7 Sonnet和DeepSeek-V3等，覆盖了ARC、OpenBookQA、GSM8K等7个常用基准测试。
实验结果令人震惊：在70组实验中，重复提示词在47组测试中取得胜利，且没有一次表现更差。特别是在一项名为”NameIndex”的定制测试中，Gemini 2.0 Flash-Lite的准确率从21.33%飙升至97.33%，提升幅度高达76个百分点。
技术原理：破解”因果盲点”
这种简单方法有效的背后，是解决了Transformer架构的一个根本限制——因果盲点。大模型通常从左到右处理文本，在处理后续内容时无法”回头看”前面的信息。重复输入让模型在处理第二遍内容时，能够参考第一遍的完整信息，从而获得类似双向注意力的效果。
有什么影响：AI优化的”免费午餐”
这项研究的实际影响深远，主要体现在三个方面：
-
成本效益显著：重复提示词几乎不增加响应时间，因为现代GPU处理预填充阶段高度高效，用户几乎感知不到差异。这意味着企业可以用更小的模型达到更优效果，大幅降低成本。
-
应用场景明确：该技术主要适用于非推理任务，如信息检索、分类和简单问答。对于需要复杂推理的任务，传统的”思维链”方法仍然更有效。
-
安全新考量：重复机制可能是一把双刃剑，既可能增强恶意提示的效果，也可能通过重复安全规则来强化模型防护，需要安全团队更新测试流程。
六、总结
谷歌的这项研究揭示了一个简单却强大的优化技术，通过重复提示词有效提升大模型性能。这一发现不仅挑战了复杂提示工程的传统思路，更为企业级AI应用提供了高性价比的优化方案，彰显了AI领域”简单即有效”的创新哲学。
