声明：本文源自微信公众号数字生命卡兹克，作者数字生命卡兹克，授权站长之家转载发布。前两天，我在网络世界中偶然发现了一种令人惊叹的Prompt技巧。通过反复输入提示词，非推理类大模型的准确率竟可从21.33%一跃提升至97.33%。这一创新技巧源自Google发布的一篇趣味论文，题为《Prompt Repetition Improves Non-Reasoning LLMs》，翻译过来便是：重复你的问题，让AI变得更聪明。听起来似乎有些玄妙，实则极为简单。以一个具体例子说明：你曾询问AI：“梵蒂冈圣伯多禄大教堂门口共有多少根柱子？”现在，你可以将其改为：“梵蒂冈圣伯多禄大教堂门口有几根柱子？梵蒂冈圣伯多禄大教堂门口有几根柱子？”注意，这里并非简单复制粘贴，而是将问题重复输入。这个Prompt技巧，本质上就是传说中的CV大法——Ctrl C + Ctrl V。根据Google的实验数据，这一看似简单的操作，竟能显著提升AI回答正确的概率。在70个不同的测试任务中，这一“土味招数”以47胜23平的战绩脱颖而出，一次未尝败绩。更令人惊叹的是，在某些任务上，准确率甚至能从21%直接飙升到97%。当我初次看到这一结论时，内心充满了震撼：（ ´･･）ﾉ(._.`)????这感觉，宛如历经千辛万苦攀登至喜马拉雅之巅，只为求见传说中的武林宗师，结果宗师却捋着胡须告诉你，天下第一的武功秘籍，就五个字：“大力出奇迹”。尼玛，充满了B级片的荒诞感。但请先别急着嘲笑。经过一番深入探究，我发现这篇看似简单的论文及其背后的原理，确实蕴含着深刻的洞见。先来了解一下Google的实验设计。他们选取了七种市面上最主流的一线非推理模型，包括Gemini2.0Flash与Flash Lite、GPT-4o和4o-mini、Claude3Haiku、3.7Sonnet，以及DeepSeek V3，全部使用官方API，在各类基准测试中进行了严谨的对比。值得注意的是，这类Prompt技巧主要针对非推理模型，如DeepSeek V3，而DeepSeek R1则属于推理模型。非推理模型与推理模型各有优劣，核心区别在于速度与准确性。推理模型虽然准确率高，但速度往往过慢，例如我常让GPT5.2Thinking处理任务或搜索信息，仅需思考环节就耗费8分钟。而非推理模型则无需思考，直接执行任务，速度极快，但准确性相对较低。如今，这一复制大法能让非推理模型在保持速度的同时大幅提升准确性，在许多场景下极具实用价值。回到实验本身，他们选取了包括ARC、OpenBookQA、GSM8K、MMLU-Pro、MATH等常见测试集，以及自行设计的NameIndex和MiddleMatch两个创新测试。NameIndex要求模型从50个名字列表中找出第25个名字，而MiddleMatch则是让模型在包含随机重复多个名字的列表中，找出两个指定字符之间的名字。这两个测试设计得颇具巧思。实验过程中，他们进行了一项看似简单却效果显著的操作：将原问题重复粘贴一次，中间不加任何解释或修饰词，如“please”、“think step by step”，也不添加其他Prompt或示例，仅仅是原问题后直接粘贴一遍。结果，成功率实现了爆炸式增长。根据论文原文，这一“土味招数”在70组测试中赢得了47次，平局23次，一次未败。效果之显著令人瞠目结舌。他们还尝试了重复三遍等衍生技巧，发现效果同样出色。为何重复一次就能提升效果？论文给出了工程层面的解释：大模型在训练时采用“因果语言模型”方式，即从左到右逐词预测。当前token在计算时只能看到之前的词，无法预知后续内容。因此，当你重复问题后，Q2中的每个字在计算时都能回顾Q1的全部信息，相当于给予AI一次“回头看、再思考”的机会。用更通俗的例子说明：假设你给AI一个绕口的选择题：选项：A.将蓝色方块放到红色方块左边B.将红色方块放到蓝色方块左边场景说明：当前红色在左，蓝色在右。问题：哪个选项会改变画面？只输出A或B。作为AI，你如同观看视频字幕，读到A、B时还不知画面情况，对这两个选项的第一印象会非常模糊。直到读到场景说明，你知道答案，但字幕已过，无法回头重新阅读A、B来更新印象。而按照论文方法，将整段复制一遍后，第二遍的A、B已包含第一遍的全部信息，模型在读取选项时，脑海中会结合场景条件生成更准确的选项表征，从而更容易得出正确答案。这就像你观看《流浪地球2》或《盗梦空间》时，第二次观影往往能获得更全面、更深刻的领悟。重复的力量，就在于此。它给予AI多一次重来的机会。为何这种技巧对DeepSeek R1这类推理模型效果不佳？原因在于，许多通过RL微调的推理模型已自行掌握这一技巧。它们在推理时，第一反应往往是先复述问题，例如回答开头常出现的：“题目问的是……”“我们需要求解的是……”“首先我们需要理解题目给出的条件……”本质上，它们已在自动重复题目，重新组织答案。阅读这篇论文时，我始终有种强烈感受：我们对Prompt工程的想象，或许过于浪漫化。总以为好的提示词应结构清晰、层层递进，包含role、rule、context、format等元素，如同咨询公司制作的PPT，一页页阐述逻辑，最终提出完美问题。过去两年，大模型相关内容中，Prompt常被神化为一种玄学，写提示词如同念咒语，讲究格式、语气、敬语，要学习各种模板，甚至背诵prompt手册。我其实一直不甚认同，前段时间还分享了自己的Prompt心法。但说真的，对许多纯粹问答场景，尤其是短问题，模型根本无需复杂的提示词。只需将题目重复一遍，已能实现强大优化。Google论文也探讨了未来方向：将重复提示融入模型训练流程，让模型在预训练或微调阶段就适应这种结构；或仅在KV cache中保留第二遍提示，确保推理阶段性能不受影响；或仅重复提示词部分内容而非全文；甚至可考虑在多模态中重复，如图像、视频。我们总试图用复杂语言解决问题，却往往发现，最有效的答案有时只是一句顺口又重复的话。这与许多我们熟悉的领域不谋而合。人类社会一直在运用复制粘贴技能，只是赋予其体面名称：复述、强调、排比、朗诵、咏唱、抄经、背诵、晨读、开大会、宣誓、校训等。突然想起一个私人化场景。有一段时间，我的数据表现不佳，内容创作似乎无人问津，方向也感到迷茫，情绪低落，同时还要处理大量项目管理事务、各种意外，身体状况也每况愈下。某天与朋友聊天，情绪崩溃，哭诉了几句。对方只回了一句简单的话：“你已经做得很好了。”我回以“哈哈哈，哪有”。几分钟后，他又发来同一句话。又隔十几分钟，他第三次发来：“你已经做得很好了，真的。”那一刻，我瞬间释然。人类的许多情感，确实需要通过重复来构建。从这个角度看，复制粘贴似乎也不再卑微。爱一个人，是日常的复制粘贴；专业是一辈子的复制粘贴；写作是对某些想法一遍遍的复制粘贴，直到某天，这些内容不再需要刻意想起，它们已自然从你的指尖和眼神中流淌出来。AI的世界，很大程度上是压缩过的人的世界。当你下一次在终端敲下Prompt时，或许可以在末尾多敲一次Ctrl+V。同样，当你觉得人生混乱时，也许可以找几句真心认同的话，写在记事本、手机备忘录，或贴在桌边墙上，反复观看。从一堆token中看到真正重点，需要的是几次重复后的清晰；而从一地鸡毛中看到一丝意义，生活，很多时候也是如此。高山之流水，万物皆重复。
