Google Research 最新研究揭示了一个简单到令人意外的技巧：在不启用推理模式时，把你

Google Research 最新研究揭示了一个简单到令人意外的技巧：在不启用推理模式时，把你的提示词原封不动重复一遍，大模型的表现就能显著提升。

| Paper 这背后的原理其实很直观。

大语言模型本质上是因果语言模型，每个 token 只能“看到”它前面的内容。

这意味着当你问“先给背景，再提问题”和“先提问题，再给背景”时，模型的理解深度是不同的。

重复提示词相当于让每个 token 都有机会“看到”完整的上下文，弥补了单向注意力的先天缺陷。

研究团队在 Gemini、GPT、Claude、Deepseek 等七个主流模型上进行了测试，覆盖 ARC、GSM8K、MMLU-Pro 等多个基准。

结果相当惊人：70 组测试中，提示词重复赢了 47 次，输了 0 次。

更妙的是，这个方法几乎没有代价。

重复发生在可并行化的预填充阶段，生成的 token 数量和延迟都不会增加。

输出格式也完全不变，可以直接无缝替换现有系统。

一个有趣的观察是：那些经过强化学习训练的推理模型，往往会自发学会在思考过程中重复用户的问题。

提示词重复技术本质上是把这个“好习惯”前置到了输入阶段，用更高效的方式实现了类似效果。

研究还测试了几个变体。

比如重复三次，在某些任务上效果更好。

而单纯用句号填充到相同长度则毫无作用，证明提升确实来自语义重复本身。

当启用“逐步思考”等推理模式时，提示词重复的效果变得中性到略正面。

这也符合预期，因为推理过程本身就包含了对问题的复述。

这项研究给我们的启示是：有时候最简单的方法反而最有效。

在追求复杂提示工程技巧之前，不妨先试试这个零成本的小技巧。

对于那些对延迟敏感、不适合开启推理模式的场景，提示词重复可能是一个值得尝试的默认策略。

论文还列出了十几个未来研究方向，包括只重复部分提示词、用小模型重排序、探索多轮对话场景等。

这个看似简单的发现，或许能打开一扇理解 Transformer 注意力机制的新窗口。