谷歌新研究：实用技巧解决LLM“听懂”难题

对于大多数使用者而言，这是一个能立刻上手的实用技巧。下次当你觉得模型没听明白问题时，不妨试试把原话再说一遍——效果上的提升或许会让你感到惊喜。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

Google Research 的最新研究发现了一个有趣现象：在非推理任务中，将输入提示简单重复一遍，就能显著提升大语言模型的表现。这个技巧适用于 Gemini、GPT、Claude、DeepSeek 等主流模型，而且不会增加输出的长度或带来额外的响应延迟。

为什么重复提示会有效？

技术原理

大语言模型通常基于因果语言模型训练，这意味着模型在生成时，后续的 token 无法关注到前面已经出现的 token。这种单向注意力机制导致查询中 token 的排列顺序会影响模型的预测性能。

例如，“先给选项再给问题”和“先给问题再给选项”两种格式，模型给出的答案可能截然不同。

提示重复的巧妙之处在于：

它将输入从单一的 转变为了 ; 的格式。这让模型中的每个提示 token 都能关注到其他所有提示 token，从而打破了单向注意力的限制。

可视化理解

想象一下你和朋友对话的场景：

正常情况下：你说一句话，朋友只能根据前半句来理解后半句。
重复提示时：你把同样的话重复一遍，朋友现在能听到完整的两遍内容，理解自然会更深入。

实验结果

测试范围

涉及7个主流模型：如 Gemini 2.0 Flash、GPT-4o、Claude 3.7 Sonnet 等。
采用7个基准测试：ARC、OpenBookQA、GSM8K、MMLU-Pro、MATH 等。
在总共70个模型-测试组合中，提示重复方法在其中的47个组合里表现显著优于基线。

图片

关键数据

效率表现

输出长度：保持不变。
响应延迟：基本不变（仅预填充阶段有微小增加）。
部署难度：零成本，直接替换现有提示即可。

使用方法

基础版本

# 原始提示
prompt = "中国的首都是哪里？"
# 提示重复版本
prompt_repeated = "中国的首都是哪里？中国的首都是哪里？"

详细重复版

【原始查询】
让我重复一下：【原始查询】

三倍重复版

【原始查询】
让我重复一下：【原始查询】
让我再重复一次：【原始查询】

核心洞察：有时候，让模型“多听一遍”比让它“多想一步”更有效。

对实际应用者来说，这是一个立即可用的技巧。下次你发现模型没“听懂”问题时，不妨试试把问题重复一遍——你可能会惊讶于效果的提升。

Prompt Repetition Improves Non-Reasoning LLMs