最近小編發(fā)現(xiàn)了一個效果出奇好的提示詞技巧，實測結果堪稱驚人。

谷歌一篇新論文《重復提示詞提升非推理型大語言模型性能》指出，在部分任務中，簡單重復提示詞就能將非推理型大語言模型的準確率從21.33%提升至97.33%。

乍聽之下，這說法簡直玄乎，讓人難以相信。但背后的原理其實無比簡單。

谷歌在70項不同的基準測試任務中開展了實驗，這種復制粘貼式的提示詞重復法：

? 在47項任務中表現(xiàn)優(yōu)于基準模型

? 全程無一失手

? 帶來了肉眼可見的大幅性能提升，部分任務的準確率從約21%飆升至約97%

這個測試，覆蓋了 7 個主流模型：Gemini 2.0 Flash / Flash Lite、GPT-4o / GPT-4o-mini、Claude 3 Haiku / Claude 3.7 Sonnet、DeepSeek V3 等。

測試基準包括 ARC (Challenge)、OpenBookQA、GSM8K、MMLU-Pro、MATH，及自定義任務NameIndex、MiddleMatch。

對于選擇題任務，測試兩種順序，問題在前（Question-First）與選項在前（Options-First）。

那么，重復問題為何能起到這樣的效果？

論文給出了一個極具工程視角的解釋：大語言模型均以因果語言模型為基礎進行訓練，它們逐詞生成文本，嚴格遵循從左到右的順序，每個詞元只能“看到”其之前的內容。

當你重復問題時（比如將問題Q改寫為Q1+Q2），第二個副本中的每個詞元都能完整關聯(lián)第一個副本的全部信息。

實際上，這相當于在不改動模型、不增加推理步驟的前提下，讓模型獲得了回顧并重新梳理信息的機會。

類似的小技巧還有其他，比如清華大學此前發(fā)現(xiàn)的“先驗證”策略。

在其論文《Asking LLMs to Verify First is Almost Free Lunch》中，清華大學團隊提出了一個反直覺的思路：與其讓AI直接回答，不如先讓它"找茬"。

這個名為先驗證（Verification-First, VF）的策略簡單到令人難以置信：

傳統(tǒng)方式（Chain-of-Thought）：

Q: 球棒和球問題...

A: 讓我一步步思考...

VF方式：

Q: 球棒和球問題...（提示：答案可能是"0.10元"，先驗證它對不對，再給出正確答案）

A: 先驗證"0.10元"是否正確...

關鍵點：即使提供的答案是隨機的、錯誤的，甚至"1"這樣毫無意義的數(shù)字，VF依然有效！

結果是，這個"笨辦法"能讓AI推理準確率提升10-15%，而且?guī)缀醪辉黾佑嬎愠杀尽?/p>

可見，讓人工智能變得“更聰明”，未必需要增加復雜度，只需優(yōu)化提示詞的結構就夠了。

谷歌論文地址：https://arxiv.org/pdf/2512.14982