Google：把Prompt再说一遍，准确率暴涨76%

本文来自微信公众号： 叶小钗 ，作者：叶小钗

见的公司多了后，我不得不承认一个事情：很多人不会写提示词，而在提示词写得稀碎的情况下，你想要模型表现很好，那是不可能的。并且在越是复杂的情况下，提示词越难写，有个说法很贴切：

LLM将之前代码中复杂的逻辑转移到提示词了，复杂度没有消失，他只是转移了

在复杂的提示工程世界里，为了提高大模型的表现，我们发明了各种“秘技”，从CoT到角色扮演再到少样本示例等，他们都能很好的工作。

但最近Google Research的一项新研究却表明：也许我们想得太复杂了：

有时候，只需把问题重复一遍就能让模型变聪明

Prompt Repetition Improves Non-Reasoning LLMs》

这听起来匪夷所思，但数据说明一切：在不使用链式推理的任务中，仅靠复制+粘贴地重复提示词，某些模型的准确率竟从21%飙升至97%，提升幅度高达76个百分点，这个世界可太疯狂了...

并且，在研究者测试的70组模型与任务对比中，这个土味技巧取得了47胜0负的战绩，没有一次表现下降。

如此惊人的结果，不禁让人怀疑：“就说两遍”居然成了正儿八经的优化策略，这背后有什么原理？今天我们就来为你揭开这一技巧的神奇面纱，并扩展讨论提示词在现代大模型中的作用和实用方法。

unsetunset提示词技巧unsetunset

在不侵入模型的情况下，提示词是我们与模型唯一的交互方式，我们输入的一段话、一个问题或一条指令，就是提示词（prompt）：

你可以把提示词理解为给模型下达的“任务说明”：它定义了我们希望模型做什么。这种特性是指令微调带来的结果，模型学会对各种形式的提示做出顺从的回应。

设计不同的提示词，来引导模型的行为

。不同的任务类型对提示词有不同的要求，比如要求模型回答问题、生成创意故事，还是遵循特定格式、语气风格，不同类型提示词的效果会有所不同：

以上是我们在生产中一定会接触到的提示词技巧，然而，Google的新发现提醒我们：有时最简单直接的提示修改，可能带来出乎意料的效果。

unsetunset神奇的提示词重复unsetunset

在探讨“提示词重复”这一奇技之前，我们需要了解模型一个先天局限。当前主流的LLM大多是因果语言模型，意思是它们以从左到右的顺序处理文本；

当模型在读输入提示时，每处理下一个词，只能“看到”它左边已经出现的内容，对右边尚未出现的词一无所知。

也就是说，模型读提示是单向的，先后的信息顺序会严重影响它对任务的理解。

举个例子，如果我们的提示是：

<背景信息><问题>

模型阅读时会先看到背景再看到问题；而如果提示顺序反过来：

<问题><背景信息>

那么当模型读到问题时，并不知道后面还有背景补充，可能倾向于直接回答。

等它读完提示里的背景，可能已经生成了一部分回答，造成前后不一致。这种因为注意力单向导致的信息利用不充分，被研究者形象地称为“因果盲点”。

对于简单任务，顺序影响可能还小；但在复杂提示场景中（比如长背景+问题；或选项在、前题目在后的选择题），提示信息的排列就成了影响模型表现的关键因素。

我们在提示工程中就需要斟酌了：是先提供背景知识，再问问题？还是先提问再给出补充信息？不同排列可能导致输出质量天差地别。这都是因为因果模型看不到未来词，只能顺序地利用提示。

从这里就可以看出来了，这其实是架构缺陷带来的理解问题

理解了这一点，你可能已经猜到“提示词重复”要解决的正是这个因果盲点问题。没错，这个简单粗暴的技巧本质上就是为了弥补单向注意力的不足。那么它究竟怎么做到的呢？

unsetunset提示词重复揭秘unsetunset

研究者提出的提示词重复（Prompt Repetition），其实非常容易描述：把输入的整段提示词重复一次，然后提交给模型。形式化地说，就是将原输入从

“<QUERY>”→“<QUERY><QUERY>”

也就是说，如果你本来打算问模型一个问题，现在就把同样的问题再粘贴一遍，一并发送。

就这样“傻逼”的行为，在不需要模型进行CoT的情况下，带来了显著性能提升。许多网友看到论文结论时和我的反应一样：

这也太离谱/离谱了吧，这么蠢的方法居然这么好使！

然而仔细想想，它背后的原理很有意思：

他给予了模型“回头看”的机会：当提示被重复两遍时，模型在处理第二遍提示内容时，相当于已经“读过”第一遍提示。

这意味着第二遍提示的每个token（词元）都可以通过注意力机制看到第一遍提示中的所有内容。

形象地说，模型第一次读提示或许一知半解，但当它第二次再读时，就好像拥有了“上帝视角”，可以参考之前完整的信息来更准确地理解问题。这有效弥补了因果盲点：第二遍阅读为模型提供了类似双向注意力的效果。

从成都到北京有多少可以自驾游的景点？

应用提示词重复后，我们则在一次请求中问它两遍：

从成都到北京有多少可以自驾游的景点？从成都到北京有多少可以自驾游的景点？

模型处理第二遍问题时，实际上已经看过了完整的问题一次，因此更有可能回忆起相关细节或提高准确率。这个过程并不需要我们提供任何新的信息，仅仅是重复关键信息以强化模型的注意。

当然，重复提示主要针对不要求模型输出详细推理过程的场景

对于那些本就需要逐步推导、一步步解释的任务，我们通常会使用CoT这类技巧，而不会希望模型只给直接答案。

unsetunset单向理解→自我辩驳unsetunset

改善模型对信息的接收与理解，解决“因果盲点”问题

输入被充分理解，模型一次性生成的答案也未必可靠。

，但是与模型交互的复杂性不止于此，因为很多时候就算

这就是提示工程中另一个关键维度需要被关注：如何引导模型进行更深入、更严谨的自我审查，从而显著提升答案的准确性与鲁棒性。

在这方面，“角色反转提示”是我用下来觉得效果还不错的技巧。

当前主流大模型被训练为一次性生成流畅、自信的回答，这种模式存在一个固有缺陷：模型倾向于沿着统计上最可能的路径生成连贯答案，而不会主动暂停并质疑自己的推理过程、验证假设或审视边界情况。

其结果常常是，一个表面上逻辑完备、表述清晰的回答，可能隐藏着不易察觉的逻辑漏洞、或未经处理的异常场景。这个时候自我辩驳提示词就出现了：

角色反转提示的操作极为简单：

在模型给出初始答案后，要求它转换身份，从一个“辩护者”变为一个“批判者”。这跟我们之前的六顶思考帽提示词模式很类似

具体而言，就是指示模型以对手的视角，专门针对自己刚才的答案进行质疑和攻击，这个过程激活了模型内部被压制的“对抗性思维”模式。

当任务目标从“生成一个答案”转变为“找出这个答案的弱点”时，模型会调用不同的知识关联与推理路径，从而更有可能：

基于这些自我批评，我们可以要求模型修订其初始答案，从而整合反馈，产出一个更加周密、可靠的结果。

这里大家也看出来了，所有类似这种多轮审视的逻辑，都是Token换稳定的策略

我实际测试下来有一定效果，更合适的说法可能是：对于有效果的有效果，对于没效果的一直没效果...

这里大家可能不太理解，现在有道数学题，你因为粗心大意做错了，所以在提示下你一定能作对，但是这道题你就是不会，那么你怎么都不会

接下来给出之前的简单案例：

六顶思考帽是一种经典的“平行思维”框架，旨在将混乱的思考过程结构化。其核心是赋予思考者六种不同的角色“帽子”：白帽：客观中立，只关注事实与数据。红帽：感性直觉，表达情绪与预感。黑帽：谨慎批判，专注风险与缺陷。黄帽：积极乐观，看到价值与机会。绿帽：创新创造，探索新想法与可能性。蓝帽：统筹控制，管理思考流程与总结。其威力在于强制切换视角，避免人们被单一立场（比如一味批判或盲目乐观）所困，从而实现对问题的全方位审视。举个具体的案例，要不要在公司上马一个Agent项目，跑一轮六顶思考帽，大致会变成这样一套ReAct循环：白帽：我到底知道哪些事实？现在公司有什么基础？预算多少？有哪些现成数据和系统？黑帽：最坏的情况是什么？可能踩哪些坑？哪些部门一定会强烈反对？黄帽：如果成功了，最大的收益是什么？对业务、对团队能力有哪些放大？绿帽：在现有资源约束下，有没有一些性价比更高的落地路线？比如先从一个小流程改造，而不是一上来做全栈Agent平台。蓝帽：把前面所有视角收束成一个可执行的行动计划，先做什么，怎么拆阶段，怎么验证，失败后怎么止损，蓝猫开始收尾做输出了。这一整套六顶思考帽跑下来，模型在不断地对自己刚刚的想法进行追问、纠偏和补充，这就是典型的模型自问自答，这有2个好处：第一，强行补全视角；第二，把想清楚从一次性梭哈，变成逐步逼近，最终，让规划从黑盒直觉，变成可复盘的过程。

现在切换角色：你是一位非常挑剔的审稿专家/红队评审。目标：尽可能证伪你刚才的回答。要求：1)指出最脆弱的3个点（每个点都要具体，不要泛泛而谈）2)对每个点说明：你刚才隐含了什么假设？3)给出一个“会导致失败/结论反转”的场景或反例4)如果存在不确定性，请明确写出“不确定在哪里、需要什么信息才能确认”

unsetunset结语unsetunset

今天我们首先介绍了一个反认知提示词研究报告：最简单的操作反而能带来最显著的提升，提示词重复就可以大大提升模型回答质量！但紧接着我们也会发现，他依旧只能解决一点或者说一类问题。

与模型对话的本质，是在其架构限制下，通过设计来补偿理解与推理的不足。无论是重复提示、角色反转还是思维链，核心逻辑都是一致的：引导模型更充分、更结构化地“思考”。

而这一切只需要我们多试，面对实际问题的时候事实上也只有多试，我写起提示词也很蛋疼的...

责任编辑：

文章来源：http://www.jingmeijuzi.com/2026/0130/2065.shtml