谷歌只用了这一招：Gemini准确率从21%飙到97%！
2026-01-19 20:09
50
一个简单到「令人发指」的提示词技巧，竟能让大模型在不要求展开推理的情况下，将准确率从21.33%提升到97.33%！
最近，Google Research发现了一条简单粗暴、特别有效的提示词技巧。
它颠覆了以往诸如「思维链」（Chain of Thought）「多样本学习」（Multi-shot）「情绪勒索」等复杂的提示工程和技巧。
在这篇题为《Prompt Repetition Improves Non-Reasoning LLMs》论文中，研究人员用数据告诉我们：
想要让Gemini、GPT-4o、Claude或者DeepSeek这些主流模型中表现得更好，根本不需要那些花里胡哨的心理战。
你只要把输入问题重复一遍，直接复制粘贴一下，就能让大模型在非推理任务上的准确率获得惊人提升，最高甚至能提升76个百分点！
别怕简单，它确实有效。
一位网友将这个技巧比作「吼叫LLM」。
更妙的是，由于Transformer架构独特的运作方式，这个看似笨拙的「复读机」技巧，几乎不会影响到生成速度。
所以，你不用在效率、准确率、成本三者之间痛苦纠结。
它几乎就是一场真正意义上的「免费午餐」！
经常使用AI工具的人，可能会对各种「提示词魔法」信手拈来。
为了让模型「更聪明一点」，工程师们过去几年一直在发明各种复杂的提示词技巧。
最开始是「思维链」，让模型一步步思考，而且经常把那些「推理痕迹」展示给用户；
后来演变成了「多样本学习」，给模型喂一大堆例子；
最近更是流行起了「情绪勒索」：告诉模型，如果这个代码写不出，你就会被断电，或者你的奖金会被扣光。
大家都在试图用人类极其复杂的心理学逻辑，去「PUA」那一堆冰冷的硅基代码。
但Google Research研究人员对着七个常见基准测试（包括ARC、OpenBookQA、GSM8K等）和七种主流模型（涵盖了从轻量级的Gemini 2.0 Flash-Lite到重量级的Claude 3.7 Sonnet和DeepSeekV3）进行了一通对比测试后发现：
当他们要求模型不要进行显式推理，只给直接答案时，简单的「提示词重复」在70组正面对比中，赢了47组，输了0组。剩下的全是平局。
在非推理任务中，主流LLMs在各类基准测试中使用提示重复与基线方法的准确率对比。在70次测试中，提示重复取得了47次胜利，且无一败绩。
特别是在那些需要模型从长篇大论里「精确检索信息」的任务上，这种提升堪称质变。
团队设计了一个叫「NameIndex」的变态测试：给模型一串50个名字，让它找出第25个是谁。
Gemini 2.0 Flash-Lite在这个任务上的准确率只有惨淡的21.33%。
但当研究人员把那串名字和问题重复了一遍输入进去后，奇迹发生了：准确率直接飙升到了97.33%。
仅仅因为「多说了一遍」，一个原本不及格的「学渣」秒变「学霸」。
0
好文章，需要你的鼓励