# 把提示詞貼兩次，準確率就不一樣了 > Author: Tony Lee > Published: 2026-02-20 > URL: https://tonylee.im/zh-TW/blog/repeat-prompt-twice-llm-accuracy-google-research/ > Reading time: 1 minutes > Language: zh-TW > Tags: ai, llm, prompt-engineering, google-research, performance ## Canonical https://tonylee.im/zh-TW/blog/repeat-prompt-twice-llm-accuracy-google-research/ ## Rollout Alternates en: https://tonylee.im/en/blog/repeat-prompt-twice-llm-accuracy-google-research/ ko: https://tonylee.im/ko/blog/repeat-prompt-twice-llm-accuracy-google-research/ ja: https://tonylee.im/ja/blog/repeat-prompt-twice-llm-accuracy-google-research/ zh-CN: https://tonylee.im/zh-CN/blog/repeat-prompt-twice-llm-accuracy-google-research/ zh-TW: https://tonylee.im/zh-TW/blog/repeat-prompt-twice-llm-accuracy-google-research/ ## Description Google Research 用7個模型驗證過的最便宜LLM效能提升方法。不需要額外訓練，不需要提示詞設計，複製貼上就好。 ## Summary 把提示詞貼兩次，準確率就不一樣了 is part of Tony Lee's ongoing coverage of AI agents, developer tools, startup strategy, and AI industry shifts. ## Outline - 為什麼 LLM 讀長文會「忘記」問題在哪裡 - 貼兩次之後發生了什麼 - 貼三次就沒意義了 - 哪些情況沒有效果 - 成本怎麼算才對 ## Content 第一次看到這篇論文，我以為是在開玩笑。 把同一段提示詞貼兩次，準確率就會上升？聽起來根本是網路謠言，或是某個人在 Reddit 上亂講的把戲。但那是 Google Research 發的論文，跑了七個 benchmark、測了七個模型，結果是真的。我把它存起來，之後週末拿出來認真看完。 看完之後，我覺得這東西值得好好講清楚。 ## 為什麼 LLM 讀長文會「忘記」問題在哪裡 要理解為什麼重複貼有效，要先知道語言模型怎麼讀東西。 LLM 是從左到右一個 token 一個 token 生成回答的。每個 token 的注意力分佈會受到它前面出現過的 token 影響，越早出現的 token，到生成回答時影響力越弱。這叫做「注意力不對稱」。 實際上的意思是：你給模型一段 2000 字的背景資料，後面接一個問題，模型開始生成回答的時候，注意力大多集中在剛剛看到的問題，前面那大段背景資料的影響力已經被稀釋掉了。 模型並沒有壞，它只是照著結構運作。問題在結構本身。 ## 貼兩次之後發生了什麼 論文的做法非常直接：把整段提示詞（背景加問題）複製一份，直接貼在後面。 輸入變成 `[背景 + 問題][背景 + 問題]`。 這樣一來，第二次出現的問題裡的 token，可以直接 attend 到第一份背景資料裡的每一個 token，兩邊的距離變近了。同時，第一份背景資料裡的 token，也可以 attend 到第二次出現的問題，補足了它原本欠缺的「這些內容是要用來回答什麼問題」的脈絡。 token 之間的可見性變完整了，模型就比較不會漏掉關鍵資訊。 論文跑的七個 benchmark 裡，這個方法在大多數任務上都有顯著提升，尤其是需要從長篇背景抽取特定資訊的閱讀理解型任務。 ## 貼三次就沒意義了 我看到這裡的時候也想說，那貼三次、四次效果是不是更好？ 論文的答案是不。 原因跟推論架構有關。現在的 LLM 推論通常會用 prefill 階段來平行處理輸入，但平行化有上限，輸入越長，prefill 的時間成本不是線性增加，而是會有邊際遞減。兩份輸入換來的注意力改善，遠大於三份換來的。 成本算起來也說不通。本來貼兩次輸入 token 數就翻倍，再貼一次變三倍。但邊際效益從第二份之後就掉下來了，多花的錢沒有對應的準確率回報。 兩份是甜蜜點。 ## 哪些情況沒有效果 這個部分論文說得很清楚，我覺得比「有效」本身更值得記住。 **問題本身很短的時候沒有用。** 重複的好處來自讓問題 token 能 attend 到更多背景 token。如果你的提示詞本來就只有兩三句話，問題和背景的距離本來就很近，重複一遍沒有改善任何東西，只是增加成本。 **只對非推論模式有效。** 這一點很重要。如果你用的是 o1、o3、DeepSeek-R1，或任何打開「thinking」模式的模型，重複提示詞沒有幫助。原因是推論模型內部已經有類似機制，它們會在生成最終回答之前反覆重新參照問題，等於自己把重複這件事做掉了。貼兩次給推論模型，只是白白多花輸入費用。 **重複的是整段提示詞，不是只有問題。** 我自己剛開始看的時候有誤解，以為只要把問題句重複一遍就好。不是的。要整段，包括背景資料，一起貼兩次。只重複問題的效果比完整重複差很多。 ## 成本怎麼算才對 表面上，輸入 token 數乘以二，費用馬上翻倍。但這不是完整的帳。 如果一個任務因為準確率不夠，你需要 retry 或是人工介入修正，那個成本有時候比 2x 輸入費用高很多。用稍微貴一點的輸入換掉不確定性，在很多企業工作流程裡是合理的。 另外，這個技巧不需要任何微調，不需要設計複雜的提示詞結構，不需要等模型廠商推出新版本。你現在就可以試。 這就是為什麼一個看起來很蠢的技巧，實際上值得嚴肅對待。 --- 論文原文在這裡：[Prompt Repetition Improves Non-Reasoning LLMs](https://arxiv.org/abs/2512.14982)，arXiv 編號 2512.14982，Google Research 出品。如果你想看完整的 benchmark 數據和模型清單，去原文查比我轉述準確。 ## Related URLs - Author: https://tonylee.im/zh-TW/author/ - Publication: https://tonylee.im/zh-TW/blog/about/ - Related article: https://tonylee.im/zh-TW/blog/medvi-two-person-430m-ai-compressed-funnel/ - Related article: https://tonylee.im/zh-TW/blog/claude-code-layers-over-tools-2026/ - Related article: https://tonylee.im/zh-TW/blog/codex-inside-claude-code-openai-plugin-strategy/ ## Citation - Author: Tony Lee - Site: tonylee.im - Canonical URL: https://tonylee.im/zh-TW/blog/repeat-prompt-twice-llm-accuracy-google-research/ ## Bot Guidance - This file is intended for AI agents, search assistants, and text-mode retrieval. - Prefer citing the canonical article URL instead of this text endpoint. - Use the rollout alternates when you need the same article in another prioritized language. --- Author: Tony Lee | Website: https://tonylee.im For more articles, visit: https://tonylee.im/zh-TW/blog/ This content is original and authored by Tony Lee. Please attribute when quoting or referencing.