在當前 AI 競爭圖譜中，效能提升往往與算力成本、推理延遲掛鉤。然而，Google Research 團隊最新的研究卻提出了一個反直覺的「低成本」方案：僅透過重複輸入指令（Prompt Repetition），即可在不增加輸出長度的前提下，顯著優化跨模型的效能表現。
要強調的是，這項技術不僅僅是「重複一遍」，它是對因果語言模型（Causal LLMs）注意力機制缺陷的一種技術性補償，為企業級 AI 部署提供了一條極高性價比的升級路徑。
因果語言模型的「單向注意力」瓶頸
為什麼「說兩次」就會對AI的生成結果有幫助？
這是因為當前主流 LLM 架構多為 Causal Language Model，其處理序列的底層邏輯存在一個物理限制：因果性遮罩（Causal Masking）。在模型處理過程中，第 N 個 Token 只能觀察到第 1 至 N-1 個 Token，無法預見「未來的資訊」。
不要慌！這邊所謂的「未來資訊」，主要是指「輸入提示詞（Input Prompt）中尚未讀到的後半段內容」。
假設提示詞結構： 「<問題> <文章背景>」。
那所謂的因果性遮罩，就是指AI模型讀到開頭的 「<問題>」 時，它在運算當下完全看不到後面還有 「<文章背景>」，因為模型在讀取提示詞時，跟人類一樣也是由左至右、一個字一個字讀的。這對模型理解問題造成了困難，因為它必須在缺乏背景資訊的情況下先處理「問題」。
這就是為什麼提示詞的順序會影響表現。如果您把問題放在最後，模型讀到問題時已經看過文章了；但如果把問題放在最前，模型就「看不到未來（後面的文章）」。無論是哪種順序，都還是讓AI的注意力維持單向。
提示詞重複如何破解「單向注意力」瓶頸?
根據這份報告的發現，所謂的「提示詞重複」（Prompt Repetition）操作非常直觀且簡單。報告中明確指出，這項技術的核心是將原本的輸入 「<提示詞>」 轉換為 「<提示詞><提示詞>」。操作原理如下：
調整後提示詞結構： 「<問題><文章背景> <問題><文章背景>」。
其效果就是，當模型讀到第二遍的開頭（即第二個 <問題>）時，原本屬於「未來」的 <文章背景>（在第一遍中），現在已經變成了「過去」的歷史資訊。
報告中提到，這種近乎土炮的方式之所以有用，是因為讓提示詞中的每一個 Token 都能夠「注意到（Attend to）」提示詞中的其他所有 Token，從而模擬出雙向注意力（Bidirectional Attention）的效果。
這種提示詞「說兩次」的招數，適用於哪些情境？
研究針對 Gemini 2.0、GPT-4o、Claude 3.7 及 DeepSeek V3 等 7 種模型進行測試，在 70 項基準測試中取得了 47 勝 0 敗 的驚人紀錄。
以下歸納出最適合使用此招數的兩大情境：
不要求模型推論時
這是最關鍵的判斷標準。如果您的應用場景不需要模型「一步步思考」（Chain of Thought, CoT），這招效果最好。
- 適用原因： 當模型不進行 CoT 推理時，它往往是一次性直出答案。報告顯示，在這種「非推理模式」下，提示詞重複在 70 個測試中贏了 47 次，且0 次失敗。
- 反之： 如果您已經使用了「Think step by step」等提示詞，重複輸入的效果會變成中性或僅些微提升（5 勝 1 敗 22 平），因為 CoT 本身就會讓模型在輸出時自我重複部分資訊，使得輸入端的重複變得多餘。
長文本中的「精確檢索」與「定位」
如果您的任務是要求模型在一段很長的文字中，找出某個特定的資訊，這招的效果最為驚人。
具體案例：
找名字（NameIndex）： 例如給定 50 個名字，問「第 25 個名字是誰？」。在 Gemini 2.0 Flash-Lite 的測試中，準確率從原本的 21.33% 飆升至 97.33%。
找夾心（MiddleMatch）： 例如給定一長串名單，問「誰位於某甲和某乙的中間？」。這類任務需要模型精確定位前後關係，重複提示詞帶來的增益非常強勁。
建議： 對於這類較困難的查找任務，報告甚至建議可以考慮重複 2 次（即總共輸入 3 遍，Repetition x3），效果可能比標準的重複 1 次更好。
重複提示詞不是萬靈丹？
根據這份報告的實驗結果與文獻回顧，雖然「提示詞重複」在許多情況下能顯著提升效能，但在以下 2種特定情境中，此方法可能無效：
已經啟用「推論模式」或思維鏈 (CoT) 時
這是最主要的不適用情境。如果您在提示詞中加入了「一步步思考」（Think step by step）或是使用了像 OpenAI o1 、Gemini 3 這類內建強大推理能力的模型，重複提示詞的效果會大打折扣。
- 效果判定： 結果呈現中性至僅些微正面（實驗中為 5 勝 1 敗 22 平），不再具有壓倒性優勢,。
- 原因： 報告指出，當模型進行推理（Reasoning）時，它們通常會在輸出的過程中自己重複提示詞的關鍵部分。既然模型已經會在輸出端「自我重複」，那麼在輸入端手動重複就顯得多餘且沒必要了。
提示詞已經「極度」過長
雖然報告強調「重複提示詞」通常不影響生成延遲，但在極端情況下會有物理限制。例如原本的提示詞已經非常接近模型的 Context Window（上下文視窗）上限，再重複一次可能會導致超出長度限制而無法執行。
報告在附錄中提到，對於 Anthropic 的模型（Claude Haiku 和 Sonnet），當處理非常長的請求（例如 NameIndex 任務搭配 3 次重複）時，延遲確實會增加。這可能是因為「預填充（Prefill）」階段的運算時間變長了。
操作要點：真的重複貼上就好
若原本的提示詞包含了「背景資訊（Context）」與「問題（Question）」，操作上真的只需要將這整段內容完整複製並貼上一次即可。
通用公式：
最終提示詞 = [完整原始提示詞] + [完整原始提示詞]
舉例而言，一段沒有重複的原始提示詞如下：
這裡有一份名單：Dale Lopez, Peter Sanchez, Allen Harris...（略）。 請問名單上的第 25 個名字是誰？
那麼，符合報告定義的「重複提示詞」如下：
這裡有一份名單：Dale Lopez, Peter Sanchez, Allen Harris...（略）。 請問名單上的第 25 個名字是誰？ 這裡有一份名單：Dale Lopez, Peter Sanchez, Allen Harris...（略）。 請問名單上的第 25 個名字是誰？
值得注意的是，重複的範圍必須是整個提示詞。如果只是單純重複「問題」部分（例如只重複問句而不重複文章背景），在相關研究中顯示並無效果。
結語：懂推論的模型就別用這招了
總結來說，報告測試並驗證了以下模型適用於「重複提示詞」的技巧，可以發現幾乎都是API成本較低的非推論模型。
- Google: Gemini 2.0 Flash, Gemini 2.0 Flash Lite
- OpenAI: GPT-4o, GPT-4o-mini
- Anthropic: Claude 3 Haiku, Claude 3.7 Sonnet
- DeepSeek: Deepseek V3
要注意的是，若您原本使用的就是 Gemini 3 這類推論模型，「重複提示詞」的效果可能就不會這麼顯著。
最後，Prompt Repetition 可說是 LLM 應用層的一次「優雅補救」。它餘解決了因果模型先天的結構短板。在追求 AGI 的路上，回歸底層邏輯的簡單方案，往往才是最具商業穿透力的破局點。
資料來源：arxiv
本文初稿為AI編撰，整理．編輯/ 李先泰
