在人工智能领域，一项关于大语言模型提示词优化的新发现引发广泛关注。研究人员发现，通过将问题重复输入两次的简单操作，主流大模型在非推理类任务中的表现出现质的飞跃。实验数据显示，在Gemini、GPT-4o、Claude等七种模型参与的基准测试中，这种"复读式"提示方式使平均准确率从21.33%跃升至97.33%，最高提升幅度达76个百分点。
这项由国际研究团队开展的对比实验涵盖七个经典测试集，涉及信息检索、事实核查等非推理场景。在70组正面对抗中，重复提示策略取得47胜0负的压倒性优势。特别在长文本信息提取任务中表现尤为突出，例如Gemini 2.0 Flash-Lite在"NameIndex"测试中，准确率从两成左右飙升至接近完美水平。研究人员指出，这种效果在需要精准定位关键信息的场景中具有显著优势。
技术分析显示，这种反直觉现象源于Transformer架构的固有缺陷。由于模型采用单向注意力机制，首次处理文本时存在"因果盲区"，无法建立完整的上下文关联。当问题被重复输入时，第二次处理相当于获得全局视角，注意力权重分布发生根本性改变。这种机制类似于为模型提供"二次校验"机会，使其能更精准地匹配任务需求与文本内容。
硬件层面的优势进一步放大了这种技巧的实用性。现代GPU的并行计算能力使得输入长度翻倍几乎不影响处理速度，实测延迟增加不足3%。这意味着开发者无需升级更昂贵的模型架构，仅通过优化提示方式就能实现性能跃升。在需要处理海量数据的商业应用中，这种低成本解决方案具有显著经济价值。
研究人员特别强调，该技巧存在明确适用边界。在需要多步推理的数学证明、逻辑演绎等场景中，重复输入反而可能干扰模型思维链。安全领域的研究同时发现，这种机制可能双向放大效果——既可能提升越狱指令的显著性，也能通过重复安全规则增强模型防御能力。实验表明，在系统提示词开头重复安全准则，可使模型对违规内容的识别率提升40%以上。
