快科技3月3日消息，“重要的事情說兩遍。”這聽起來像是玄學，但確實是真的。
2026年，當很多的人還在費盡心機設計複雜提示詞，想讓AI更好地聽懂人類需求時，谷歌研究院悄悄發佈了一篇論文，提出了一個簡單到讓人意外的方法——重複提示詞，就能大幅改善大語言模型在非推理任務上的表現。
方法簡單到離譜：
先寫好你的需求提示詞，再把它複製一遍、粘貼在後面，直接發給AI就可以。
比如：
之前你的提示詞是：“這是我的問題”。
現在把它換成：“這是我的問題”“這是我的問題”，然後餵給AI。
這篇論文名爲《提示重複可增強大語言模型非推理性能（Prompt Repetition Improves Non-Reasoning LLMs）》，它的核心結論，徹底顛覆了人們對AI提示詞設計的固有認知。
整個論文比較長，我用AI總結了一下核心意思：
“谷歌研究團隊發現了一個優化大語言模型的簡單實用方法：在不需要模型做邏輯推理的場景下，把輸入的提示詞完整重複一遍，能明顯提升模型的回答準確率，還幾乎不會增加生成內容的長度和響應耗時。
大模型本身無法讓提示詞裏的信息相互關聯，提示詞的順序還會影響回答效果，而重複提示詞能讓這些信息彼此呼應，且這個重複操作只在模型的並行預處理階段完成，不會影響後續的內容生成。
團隊測試了Gemini、GPT、Claude 等7個主流模型，在多項標準任務和 2個自定義任務中，無推理場景下該方法47 次提升模型性能且0次失效，自定義任務裏模型準確率甚至從21.33%飆升至 97.33%。
但讓模型逐步推理時，這個方法效果一般，因爲推理型模型本就會自主重複部分提示詞。
實驗還證實，性能提升是因爲重複提示詞本身，而非單純增加輸入長度，重複三次在部分任務中效果更好。該方法基本不改變輸出格式，能直接適配現有系統，僅 Claude 處理超長內容時延遲會稍增，是個易落地的輕量優化方案。”
說白了，這就是我們從小聽到大的“重要的事情說兩遍”，沒想到這個樸素的道理，在AI身上同樣管用。
爲了驗證這個方法是否可行，谷歌研究團隊做了嚴謹測試，選取了Gemini、GPT-4、Claude、DeepSeek等7個主流大模型，在70種不同場景下展開驗證。
結果出人意料：47個場景中，AI的表現有明顯提升；23個場景中表現持平；全程沒有出現因爲重複提示詞，導致AI表現變差的情況。
論文中設計了一項名爲NameIndex的測試，具體來說，就是給AI一份包含50個名字的長名單，然後問它“第25個人叫什麼名字”。
這項任務對人類來說，只要逐個數一遍就能完成，但對AI而言，要在長長的序列中精準定位，難度不小。常規操作下，Gemini 2.0 Flash-Lite模型的準確率只有21.3%，幾乎和瞎蒙沒區別；而使用重複提示詞的方法後，準確率直接飆升到97.3%，提升幅度超過4倍，從幾乎無法使用的狀態，變得近乎完美。
而且這種提升不是個例，像數學題、代碼理解這類不需要極強推理能力的任務，重複提示詞都能帶來穩定的效果提升。
這個看似很笨的土辦法，背後其實有明確的科學邏輯，並非什麼玄學。
當前主流的大語言模型，都採用Transformer架構，它有一個明顯的短板，只能單向閱讀。AI讀取提示詞時，就像我們看直播彈幕一樣，只能逐詞往後看，讀到前面的內容時，根本不知道後面會講什麼，很容易遺漏關鍵信息。
而重複提示詞，相當於讓AI做了一次“虛擬重讀”（Virtual Re-reading），當它讀第二遍內容時，已經對整體情況有了瞭解，就能借着第一遍的記憶，精準抓住那些真正重要的信息，從而提高響應的準確性。
不過，這個技巧也不是萬能的，存在明顯的侷限性。谷歌論文中也明確提到，它對OpenAI的o1、國產DeepSeek-R1這類主打深度推理（Reasoning）的模型，效果並不明顯。
原因很簡單，這類模型在給出答案之前，內部已經完成了類似反覆琢磨的過程，這時再在外部重複提示詞，就顯得多此一舉了。
另外，如果提示詞本身已經很長，快達到模型的上下文上限，再複製一遍，可能會導致AI處理速度變慢，甚至出現內存溢出的情況。
除此之外，這個技巧更適合信息提取、閱讀理解這類任務，要是讓AI寫小說、寫詩，重複提示詞不僅不會讓文采變好，反而可能讓AI感到困惑。
業內人士認爲，這一研究也給大家提了個醒，優化AI性能，未必非要依賴複雜技術，有時候最樸素的方法，反而能帶來意外驚喜。
對普通用戶來說，以後遇到AI答非所問，或者處理長文檔時丟三落四的情況，不用急着花心思改寫複雜提示詞，不妨試着把自己的需求複製粘貼一遍再發送。
畢竟“重要的事情說兩遍”，這份人類幾千年來總結的智慧，在AI身上同樣適用，也能讓我們以極低的成本提升使用體驗。
網友評論：
“真是不可思議，如此簡單粗暴的方法居然效果這麼好。這讓我不禁思考，還有多少顯而易見的技巧我們因爲沒人系統地測試而錯過了。
對於這個領域來說，有點尷尬的是，“重複兩遍哈哈”竟然也算是一種合法的優化策略。
這是一篇極具洞察力的論文。令人印象深刻的是，如此簡單的技巧竟能顯著提升非推理模型的性能。Gemini 2.0 Flash-Lite僅通過重複提示，就能在特定任務中將準確率從 21.33% 提升至 97.33%，這着實令人驚歎。
我還發現，由於重複操作是在可並行化的預填充階段處理的，因此延遲不受影響，這一點尤其令人感興趣。感謝分享，我一定會付諸實踐。”
大家不妨都試試。
