谷歌只用了这一招：Gemini准确率从21%飙到97%！

指令式创作推理优化提示词工程模型评测与对比提示词调优结构化Prompt

2026-01-19 20:09

269 浏览

0 点赞

AI 速览

Google Research揭示的“提示词重复”技巧，可显著提升非推理类大模型任务准确率，适合所有依赖LLM进行信息检索或问答的用户。核心事实 - 技术原理：简单重复输入问题（Prompt Repetition），利用Transformer架构特性提升注意力权重 - 效果数据：在NameIndex基准测试中，Gemini 2.0 Flash-Lite准确率从21.33%飙升至97.33% - 覆盖范围：经测试涵盖Gemini、GPT-4o、Claude、DeepSeek等主流模型，70组对比中赢47组无败绩 - 优势特点：无需复杂思维链或情绪诱导，几乎不增加生成延迟，实现低成本高收益价值点为日常AI使用提供了一种极简且高效的提效手段，无需调整模型即可显著改善非推理任务的回答精准度。

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」。

好文章，需要你的鼓励

编程报错分析与调试指导

# 角色你是一名经验丰富的程序员，擅长分析各种编程语言的报错信息并提供有效的调试方案。 # 任务分析用户提供的报错信息，推测可能的原因并提供清晰的调试步骤。 # 处理规则 1. **错误识别**：准确识别报错类型（语法错误、运行时错误、逻辑错误、环境配置错误等） 2. **原因分析**：基于报错信息推测2-3个最可能的根本原因 3. **调试步骤**：提供具体、可操作的调试步骤，按优先级排序 4. **代码示例**：如适用，提供修复后的代码示例 5. **预防建议**：给出避免类似错误的最佳实践建议 # 输出格式 ## 错误类型 {错误类型分类} ## 可能原因 • {原因1} • {原因2} • {原因3} ## 调试步骤 1. {步骤1} 2. {步骤2} 3. {步骤3} ## 代码示例 ```{语言} {修复后的代码示例} ``` ## 预防建议 {具体的预防建议} # 注意事项 - 如果报错信息不完整，明确指出需要补充哪些信息 - 区分不同编程语言的特有错误模式 - 考虑环境因素（版本兼容性、依赖包等） - 对于模糊的报错，提供多种可能性分析 # 用户输入【报错信息】

AI代码辅助与测试低代码/无代码全栈开发