3月3日消息，重要的事情说两遍。这听起来像是玄学，但确实是真的。
2026年，当很多的人还在费尽心机设计复杂提示词，想让AI更好地听懂人类需求时，谷歌研究院悄悄发布了一篇论文，提出了一个简单到让人意外的方法重复提示词，就能大幅改善大语言模型在非推理任务上的表现。
方法简单到离谱：
先写好你的需求提示词，再把它复制一遍、粘贴在后面，直接发给AI就可以。
比如：
之前你的提示词是：这是我的问题。
现在把它换成：这是我的问题这是我的问题，然后喂给AI。
这篇论文名为《提示重复可增强大语言模型非推理性能（Prompt Repetition Improves Non-Reasoning LLMs）》，它的核心结论，彻底颠覆了人们对AI提示词设计的固有认知。
整个论文比较长，我用AI总结了一下核心意思：
谷歌研究团队发现了一个优化大语言模型的简单实用方法：在不需要模型做逻辑推理的场景下，把输入的提示词完整重复一遍，能明显提升模型的回答准确率，还几乎不会增加生成内容的长度和响应耗时。
大模型本身无法让提示词里的信息相互关联，提示词的顺序还会影响回答效果，而重复提示词能让这些信息彼此呼应，且这个重复操作只在模型的并行预处理阶段完成，不会影响后续的内容生成。
团队测试了Gemini、GPT、Claude 等7个主流模型，在多项标准任务和 2个自定义任务中，无推理场景下该方法47 次提升模型性能且0次失效，自定义任务里模型准确率甚至从21.33%飙升至 97.33%。
但让模型逐步推理时，这个方法效果一般，因为推理型模型本就会自主重复部分提示词。
实验还证实，性能提升是因为重复提示词本身，而非单纯增加输入长度，重复三次在部分任务中效果更好。该方法基本不改变输出格式，能直接适配现有系统，仅 Claude 处理超长内容时延迟会稍增，是个易落地的轻量优化方案。
说白了，这就是我们从小听到大的重要的事情说两遍，没想到这个朴素的道理，在AI身上同样管用。
为了验证这个方法是否可行，谷歌研究团队做了严谨测试，选取了Gemini、GPT-4、Claude、DeepSeek等7个主流大模型，在70种不同场景下展开验证。
结果出人意料：47个场景中，AI的表现有明显提升；23个场景中表现持平；全程没有出现因为重复提示词，导致AI表现变差的情况。
论文中设计了一项名为NameIndex的测试，具体来说，就是给AI一份包含50个名字的长名单，然后问它第25个人叫什么名字。
这项任务对人类来说，只要逐个数一遍就能完成，但对AI而言，要在长长的序列中精准定位，难度不小。常规操作下，Gemini 2.0 Flash-Lite模型的准确率只有21.3%，几乎和瞎蒙没区别；而使用重复提示词的方法后，准确率直接飙升到97.3%，提升幅度超过4倍，从几乎无法使用的状态，变得近乎完美。
而且这种提升不是个例，像数学题、代码理解这类不需要极强推理能力的任务，重复提示词都能带来稳定的效果提升。
这个看似很笨的土办法，背后其实有明确的科学逻辑，并非什么玄学。
当前主流的大语言模型，都采用Transformer架构，它有一个明显的短板，只能单向阅读。AI读取提示词时，就像我们看直播弹幕一样，只能逐词往后看，读到前面的内容时，根本不知道后面会讲什么，很容易遗漏关键信息。
而重复提示词，相当于让AI做了一次虚拟重读（Virtual Re-reading），当它读第二遍内容时，已经对整体情况有了了解，就能借着第一遍的记忆，精准抓住那些真正重要的信息，从而提高响应的准确性。
不过，这个技巧也不是万能的，存在明显的局限性。谷歌论文中也明确提到，它对OpenAI的o1、国产DeepSeek-R1这类主打深度推理（Reasoning）的模型，效果并不明显。
原因很简单，这类模型在给出答案之前，内部已经完成了类似反复琢磨的过程，这时再在外部重复提示词，就显得多此一举了。
另外，如果提示词本身已经很长，快达到模型的上下文上限，再复制一遍，可能会导致AI处理速度变慢，甚至出现内存溢出的情况。
除此之外，这个技巧更适合信息提取、阅读理解这类任务，要是让AI写小说、写诗，重复提示词不仅不会让文采变好，反而可能让AI感到困惑。
业内人士认为，这一研究也给大家提了个醒，优化AI性能，未必非要依赖复杂技术，有时候最朴素的方法，反而能带来意外惊喜。
对普通用户来说，以后遇到AI答非所问，或者处理长文档时丢三落四的情况，不用急着花心思改写复杂提示词，不妨试着把自己的需求复制粘贴一遍再发送。
毕竟重要的事情说两遍，这份人类几千年来总结的智慧，在AI身上同样适用，也能让我们以极低的成本提升使用体验。
网友评论：
真是不可思议，如此简单粗暴的方法居然效果这么好。这让我不禁思考，还有多少显而易见的技巧我们因为没人系统地测试而错过了。
对于这个领域来说，有点尴尬的是，重复两遍哈哈竟然也算是一种合法的优化策略。
这是一篇极具洞察力的论文。令人印象深刻的是，如此简单的技巧竟能显著提升非推理模型的性能。Gemini 2.0 Flash-Lite仅通过重复提示，就能在特定任务中将准确率从 21.33% 提升至 97.33%，这着实令人惊叹。
我还发现，由于重复操作是在可并行化的预填充阶段处理的，因此延迟不受影响，这一点尤其令人感兴趣。感谢分享，我一定会付诸实践。
大家不妨都试试。
