谷歌新论文：重复输入提示提升非推理型大语言模型性能

谷歌研究团队发表新论文《Prompt Repetition Improves Non-Reasoning LLMs》（[2512.14982] Prompt Repetition Improves Non-Reasoning LLMs），内容提到一个模型使用的小技巧。在不要求模型进行逐步推理的情况下，将用户的输入提示（Prompt）简单地重复一遍，能显著提升多种主流大语言模型的性能，且不增加生成内容的长度或延迟。将输入从 转换为 ，即原样重复整个提示。原理为：解决注意力限制：大语言模型通常是因果语言模型，意味着前面的token无法“看到”后面的token。这导致提示中信息的顺序（例如，问题在前还是选项在前）可能影响模型表现。重复提示后，第一遍提示中的每个token都能通过注意力机制“看到”第二遍提示中的所有token，从而获得更全局的上下文信息。效率与兼容性：重复操作发生在可并行计算的“预填充”阶段，因此不会增加模型生成答案的token数量，也不会增加端到端的延迟。同时，它不改变输出格式，可以无缝集成到现有系统中。简单说，即第一轮问的时候，直接在输入框，把同一内容写两遍，直接发过去（只有一轮）。如图。注意：本论文主要针对非推理情况，对于推理情况，论文结论是提升不明显故没必要。论文也提到，重复三次会有提升，但很少，故也没必要。