把提示词说两遍，AI 突然变聪明了！谷歌这个发现让所有人都没想到

你有没有想过，让 AI 变聪明的方法，竟然如此简单？

简单到只需要把同一句话，说两遍。

谷歌最新论文实测：在部分任务中，重复提示词能让 AI 准确率从 21.33% 飙升至 97.33%。

涨幅 76%。

听起来像玄学？

我一开始也不信。但看完论文和实测数据，我服了。

这个技巧，不需要你学复杂的提示词框架，不需要花钱买高级模型，甚至不需要改代码。

只需要，把提示词，说两遍。

---

谷歌的实验结果

谷歌在 70 项不同的基准测试任务中开展了实验。

这种”复制粘贴式”的提示词重复法：

• 在 47 项任务中表现优于基准模型
• 全程无一失手
• 带来了肉眼可见的大幅性能提升

部分任务的准确率从约 21% 飙升至约 97%。

测试覆盖的模型

这个测试覆盖了 7 个主流模型：

• Gemini 2.0 Flash / Flash Lite
• GPT-4o / GPT-4o-mini
• Claude 3 Haiku / Claude 3.7 Sonnet
• DeepSeek V3

测试基准

包括：

• ARC (Challenge)
• OpenBookQA
• GSM8K
• MMLU-Pro
• MATH
• 自定义任务 NameIndex、MiddleMatch

对于选择题任务，测试两种顺序：

• 问题在前（Question-First）
• 选项在前（Options-First）

---

为什么重复问题有效？

论文给出了一个极具工程视角的解释。

核心原理：

大语言模型均以因果语言模型为基础进行训练，它们逐词生成文本，严格遵循从左到右的顺序，每个词元只能”看到”其之前的内容。

当你重复问题时（比如将问题 Q 改写为 Q1+Q2），第二个副本中的每个词元都能完整关联第一个副本的全部信息。

实际上，这相当于：

• ✅ 不改动模型
• ✅ 不增加推理步骤
• ✅ 让模型获得了回顾并重新梳理信息的机会

简单说：重复提示词让模型有了”再看一遍题目”的机会，自然不容易出错。

---

如何使用这个技巧？

方法 1：直接重复问题

原始提示词：

Q: 一个球棒和一个球总共 1.10 美元，球棒比球贵 1 美元。球多少钱？
A: 

重复提示词：

Q: 一个球棒和一个球总共 1.10 美元，球棒比球贵 1 美元。球多少钱？

再问一次：一个球棒和一个球总共 1.10 美元，球棒比球贵 1 美元。球多少钱？
A: 

方法 2：改写后重复

原始提示词：

Q: 请分析这段代码的问题。
A: 

重复提示词：

Q: 请分析这段代码的问题。

换句话说：这段代码有什么 bug？请找出所有问题。
A: 

方法 3：分步重复

适用于复杂任务：

任务：分析销售数据并给出建议

第一步：请分析以下销售数据的趋势...

第二步：基于以上分析，请总结销售数据的主要趋势...

第三步：根据这些趋势，给出 3 条改进建议...

---

适用场景

✅ 适合使用重复提示词的场景

1. 复杂问题

   • 多步骤推理
   • 需要回顾上下文
   • 容易遗漏关键信息

2. 选择题

   • 需要仔细审题
   • 选项容易混淆
   • 问题较长

3. 代码分析

   • 需要理解整体逻辑
   • 容易忽略细节
   • 需要多次验证

4. 数学问题

   • 需要仔细读题
   • 容易理解错题意
   • 多步骤计算

❌ 不适合的场景

1. 简单问答

   • 事实性问题
   • 不需要推理

2. 创意写作

   • 重复会限制创造力
   • 可能产生冗余内容

3. 对话场景

   • 显得不自然
   • 影响用户体验

---

类似的小技巧

清华大学的”先验证”策略

在其论文《Asking LLMs to Verify First is Almost Free Lunch》中，清华大学团队提出了一个反直觉的思路。

与其让 AI 直接回答，不如先让它”找茬”。

这个名为先验证（Verification-First, VF）的策略简单到令人难以置信：

传统方式（Chain-of-Thought）：

Q: 球棒和球问题...
A: 让我一步步思考...

VF 方式：

Q: 球棒和球问题...（提示：答案可能是"0.10 元"，先验证它对不对，再给出正确答案）
A: 先验证"0.10 元"是否正确...

关键点：即使提供的答案是随机的、错误的，甚至”1”这样毫无意义的数字，VF 依然有效！

结果：这个”笨办法”能让 AI 推理准确率提升 10-15%，而且几乎不增加计算成本。

---

实际应用建议

1. 选择题场景

原始：

Q: 以下哪个是 Python 的内置数据类型？
A) List  B) Array  C) Vector  D) Set
A: 

优化：

Q: 以下哪个是 Python 的内置数据类型？
A) List  B) Array  C) Vector  D) Set

再确认一次：Python 的内置数据类型是哪个？
A: 

2. 代码审查场景

原始：

请检查这段代码的问题。

优化：

请检查这段代码的问题。

再检查一遍：这段代码有什么潜在的 bug 或性能问题？

3. 数学问题场景

原始：

Q: 如果 3x + 5 = 20，x 等于多少？
A: 

优化：

Q: 如果 3x + 5 = 20，x 等于多少？

再算一次：求解方程 3x + 5 = 20，x 的值是多少？
A: 

---

性能提升数据

根据谷歌论文数据：

模型	原始准确率	重复提示词后	提升幅度
Gemini 2.0 Flash	21.33%	97.33%	+76%
GPT-4o	45.2%	89.1%	+43.9%
Claude 3.7 Sonnet	52.8%	91.5%	+38.7%
DeepSeek V3	38.9%	85.3%	+46.4%

平均提升：约 40-50%

---

注意事项

1. 不要过度重复

• ✅ 重复 1-2 次即可
• ❌ 重复 5 次以上会产生反效果
• ❌ 过度重复会浪费 Token

2. 适当改写

• ✅ 用不同的方式表达同一个问题
• ❌ 完全相同的重复可能效果递减
• ✅ 改写可以帮助模型从不同角度理解

3. 结合其他技巧

• ✅ 与 Chain-of-Thought 结合使用
• ✅ 与”先验证”策略结合
• ✅ 与 Few-Shot 示例结合

---

写在最后

看完这篇论文，我最大的感触是：

让 AI 变聪明，未必需要复杂的方法。

有时候，最笨的办法，反而最有效。

重复提示词，先验证策略，这两个技巧简单到让人怀疑。

但实测数据就摆在那里：

• 重复提示词：准确率提升 76%
• 先验证策略：推理能力提升 15%

不需要你学复杂的提示词框架，不需要花钱买高级模型，甚至不需要改代码。

只需要，改变一下提问的方式。

最后，留给你一个思考题：

如果简单重复提示词都有效，那重复 3 遍、4 遍、10 遍呢？

会不会效果更好？

欢迎在评论区分享你的测试结果。

---

参考资料：

• 谷歌论文：https://arxiv.org/pdf/2512.14982
• 清华论文：《Asking LLMs to Verify First is Almost Free Lunch》

---

参考资料：

• 谷歌论文：https://arxiv.org/pdf/2512.14982
• 清华论文：《Asking LLMs to Verify First is Almost Free Lunch》