核心观点 - Google Research发现一种极其简单的提示词技巧——将输入问题重复一遍，能显著提升主流大语言模型在非推理任务上的准确率，最高提升达76个百分点，且几乎不增加延迟或成本，堪称“免费午餐” [1][2][5] 技术发现与效果 - 在要求模型不进行显式推理、只给直接答案的非推理任务中，简单的“提示词重复”在70组正面对比中，赢了47组，输了0组，其余为平局 [5][7] - 在名为“NameIndex”的精确检索测试中，Gemini 2.0 Flash-Lite的准确率从21.33%飙升至97.33%，提升76个百分点 [1][7][28] - 该技巧主要适用于信息检索、抽取、分类及简单问答等非推理任务，但不适用于需要逐步推导的复杂推理场景 [31][32][39] 技术原理 - 效果提升源于Transformer架构的“因果盲点”：模型严格从左到右处理文本，无法在阅读时“回头看”后续信息 [9][10][13] - 重复输入提示词（）使得模型在处理第二遍内容时，能“注意”到第一遍的完整信息，从而获得一种“类双向注意力”效果，更准确地对齐任务上下文 [14] 效率与成本优势 - 提示词重复带来的用户感知延迟几乎可忽略不计，因为模型处理输入内容的“预填充”阶段是高度并行的，现代GPU能高效处理 [18][22][23][24] - 该技巧不会让生成的答案变长，也不会让大多数模型的“首字延迟”变慢 [25] - 这意味着开发者无需为追求准确率而升级到更大、更贵、更慢的模型，轻量级模型经此优化后，在检索任务上可打平甚至超越未优化的顶配模型 [26][27][29] 应用边界与安全影响 - 该技巧与需要逐步思考的“思维链”方法结合时效果不佳，在28次测试中仅赢5次、输1次、平22次，推测因推理模型自身会复述题目，人工重复可能打断其思路 [33][34][37][38] - 重复可能放大某些指令的显著性，需警惕其潜在安全风险，例如“重复注入”攻击可能更容易让模型突破安全护栏 [40][41][43] - 反过来，该机制也可用于增强防御，例如在系统提示词中重复安全规则，可能成为一种低成本的模型加固方式 [44][45]