内卷地狱
群友分享Papers

Prompt Repetition Improves Non-Reasoning LLMs

Edit Me

<https://arxiv.org/pdf/2512.14982>

在不使用推理模式的情况下，重复输入提示词能够提升主流模型（Gemini、GPT、Claude、DeepSeek）的表现，且不会增加生成 token 数量或推理延迟。

  1. 提示词重复：LLM 通常以因果语言模型的方式训练，即过去的 token 无法关注到未来的 token。因此，用户查询中 token 的排列顺序会影响预测性能。例如，"选项在前、问题在后"的查询形式与"问题在前、选项在后"的形式往往表现不同（见图 1）。我们提出重复提示词的方法：将输入从单次提示词转换为重复两次的形式。这使得每个提示词 token 都能关注到其他所有提示词 token，从而解决上述问题。在不使用推理模式时，提示词重复能够提升 LLM 的性能（图 1），且不会增加生成输出的长度或推理延迟。

贡献者

这篇文章有帮助吗？

最近更新

Involution Hell© 2026 byCommunityunderCC BY-NC-SA 4.0CCBYNCSA

LeWorldModel

LeWorldModel（LeWM）提出仅用两项损失函数（下一嵌入预测损失+高斯正则项）即可从原始像素端到端稳定训练联合嵌入预测架构（JEPA），将可调超参数从六个降至一个。1500万参数模型在单GPU上数小时完成训练，规划速度比基础模型世界模型快48倍，在2D/3D控制任务中保持竞争力。适合研究世界模型、隐空间表征及高效强化学习的AI/CS从业者与求职者。

学生邮箱能免费领的AI提效工具系列

学生邮箱免费领取的AI提效工具系列，详解Perplexity Comet、Cursor、V0.dev三款产品的高频使用技巧，覆盖AI搜索、代码生成与前端开发场景，适合在校学生、求职开发者及想用免费资源提升效率的CS/AI学习者。