重複提示詞，準確率真的會上升

把提示詞複製一次，準確率真的可能上去。Google Research 的研究看了 7 個閉源模型，搭配 70 組模型與基準測試配對。結果有 47 組變好，NameIndex 甚至從 21.33% 飆到 97.33%。

講白了，這招很便宜。你不用改權重，也不用重訓模型。可問題也很現實。它不是萬用解，效果很吃任務類型、提示詞格式，還有模型是在做記憶，還是在做推理。

研究到底測了什麼

這篇研究不是在玩感覺分數。它直接看正確率。研究團隊把每個 prompt 原封不動複製一次，再去測常見基準。像 ARC Challenge、OpenBookQA、GSM8K、MMLU-Pro，還有 MATH，都有被拿來比。

這點很重要。很多 AI 報告愛講「看起來比較好」。但產品團隊最在意的是對或錯。只要是客服分流、資料擷取、欄位分類，正確率就是硬指標，不是裝飾品。

這次結果裡，有幾個數字很刺眼。不是因為它多炫，而是因為它夠實際，實際到你會想立刻開 A/B test。

• 70 組配對裡，有 47 組變好。
• 贏的案例裡，沒有顯著退步。
• Gemini Flash-Lite 在 NameIndex 從 21.33% 到 97.33%。
• 多數情況下，延遲幾乎沒變。
• 三次重複有時也會變好，但常常更慢。

研究還做了 padding 檢查。意思是，他們想確認不是單純因為 token 變多，模型就比較會答。這個細節蠻關鍵。因為它把焦點拉回模型怎麼讀上下文，而不是字數灌水。

如果你平常也在做 prompt 測試，這種研究很像提醒你一件事。先別急著怪模型爛。先看你的測法有沒有問題。很多時候，問題出在 prompt，不出在模型。

為什麼重複一次會有效

原因沒有想像中玄。LLM 在 prefill 階段會順序處理 token。當 prompt 被再送一次，後半段內容就能參照更完整的 key-value cache。簡單說，模型像是又看了一次同樣資訊，但這次上下文更完整。

這對某些任務很有幫助。像是資訊擷取、格式對齊、短答案分類，重複一次常常能把答案拉穩。因為這些任務吃的是回憶、比對、定位，不太吃長鏈推理。

“The model is a stochastic parrot.” — Emily M. Bender

這句話很多人聽到快爛掉了，但放在這裡還是很準。重複 prompt 不會讓模型突然變聰明。它只是改變模型怎麼看同一份輸入。說白了，就是把同一個 cue 再丟一次，讓模型有第二次對焦機會。

這也解釋了，為什麼有些任務效果很大，有些卻幾乎沒差。模型不是在「理解更多」。它比較像在「重新對齊注意力」。如果任務本來就靠記憶，這招就容易中。

但如果任務要一步一步推理，效果通常就縮水。因為重複資訊，不等於幫模型想得更好。你只是讓它更常看到同一段字，不是幫它補腦。

哪些任務最吃這一套

研究裡，最明顯的提升集中在記憶型任務。像是 NameIndex 這種長上下文記錄，或是偏向直接回憶的測試，重複 prompt 的效果特別明顯。這種任務很像在考「有沒有看懂題目」，不是在考「會不會解題」。

模型家族也不是只有一家受益。研究提到 OpenAI、Anthropic、Google DeepMind，還有 DeepSeek 的模型，都有不同程度的改善。這代表問題比較像模型行為，而不是單一廠商的實作毛病。

如果你想抓重點，可以直接看下面這幾個：

• 記憶型任務：最容易看到提升。
• 格式抽取：常常比原版更穩。
• 短分類：有機會變準。
• 多步推理：效果常常變小。
• 長輸入場景：要小心 token 成本。

像 GPT-4o mini 在 OpenBookQA 上，也有大約 12 個百分點的提升。Claude Haiku 則是沒有明顯輸掉，還有不少平手案例。這種結果很像在說，重複 prompt 不是神技，但它確實能把一些邊角任務拉回來。

我覺得這對產品團隊很有參考價值。因為很多 AI 功能，根本不是在做深度推理。它們只是做分類、萃取、排序、路由。這些地方，重複一次 prompt，可能比你花兩週調參更快見效。

和其他模型技巧比，這招算便宜嗎

如果拿來跟重訓、微調、RAG 比，重複 prompt 幾乎是最低成本的實驗。你不用碰資料管線，不用改 server，不用重新訓練。很多時候，只要改一行 prompt，就能先看結果。

但便宜不等於沒代價。輸入 token 變多，費用就會上去。延遲也可能上升，尤其是長 prompt。你如果本來就把上下文塞到快滿，這招可能直接把成本打爆。

下面這種比較，實務上很有感：

• 重複 prompt：改動小，驗證快。
• 微調模型：成本高，流程長。
• RAG：資料管線複雜，但可控性高。
• 規則引擎：快，但維護常常很煩。
• 人工後審：準，但吞吐量低。

所以這招比較像「先試再說」的工具。不是終局方案。你如果是在做客服工單分類，重複一次 prompt 也許就夠了。你如果是在做醫療摘要或財務推理，那就別太天真，還是得回到資料品質和驗證流程。

另外，這篇研究也提醒一件事。模型表現不是單看平均值。你要看任務切得夠不夠細。很多時候，平均分數沒變，但某個子任務直接爆升。這才是產品團隊真正會在意的地方。

這件事背後的產業脈絡

現在很多 AI 團隊都卡在同一個問題。模型越來越貴，大家卻還是想要更高準確率。於是，prompt engineering 又回到檯面上。不是因為它高級，而是因為它便宜，而且馬上能試。

這也反映出一個很現實的趨勢。很多企業不會一開始就去重訓模型。它們先做 prompt 調整，再做評測，再看要不要上 RAG，最後才考慮微調。這條路很務實。也很台灣。先求能用，再求漂亮。

如果你看開源陣營，像 Llama 和 Mistral 這類模型，社群也很愛測各種 prompt 技巧。原因很簡單。大家都想知道，模型到底是「真的懂」，還是只是「對格式很敏感」。

我自己的看法是，這篇研究最大的價值，不是告訴你重複一次就會贏。它是在提醒大家，很多 AI 系統其實還很脆弱。你只要換一種表達方式，結果就會飄。這種脆弱性，才是工程上最該處理的地方。

接下來該怎麼做

如果你現在手上有一個 LLM 功能，我會建議你先挑一個低風險任務試試。像是分類、抽欄位、比對標籤。把 prompt 複製一次，和原版做 A/B test。每組至少跑 1,000 次，才比較看得出差異。

接著，你要同時看三件事。準確率、延遲、token 成本。只看準確率很危險。因為你可能只是把錯誤換成更貴的錯誤。這種事在產品會議裡很常見，大家都愛看漂亮數字，卻沒人想看帳單。

我會直接下這個判斷：如果你的任務偏回憶，重複 prompt 值得試。如果你的任務偏推理，先別急著套用。這不是玄學。是工程判斷。

下一步很簡單。先把你手上的 prompt 分成兩類。哪一些在做資料擷取，哪一些在做推理。分完之後，你就知道這招該不該放進你的工具箱。