Copier votre prompt deux fois : j'ai testé l'astuce « +76 % » et découvert la vérité
Google/DeepMind
Une astuce virale prétend que dupliquer votre prompt envoyé à un modèle de langage (LLM) améliore la précision de 76 %. En testant cela sur 3360 requêtes auprès de plusieurs modèles Gemini, l'effet s'est révélé réel mais limité : il corrige un échec spécifique des modèles sans raisonnement face à de longues listes, et non un gain d'intelligence général. Le fameux « +76 % » provient d'un test de stress unique, et les modèles de raisonnement modernes sont insensibles à cette astuce.
L'auteur a testé une astuce virale de duplication de prompt, citée dans un preprint de Google Research intitulé « Prompt Repetition Improves Non-Reasoning LLMs ». Dans l'étude originale, dupliquer le prompt a aidé les modèles non raisonnants dans 47 comparaisons sur 70, le chiffre de +76 % provenant d'un test de stress unique sur Gemini 2.0 Flash-Lite, qui a depuis été abandonné. L'auteur a mené sa propre expérience : 3360 requêtes, pour 1,48 dollar, sur gemini-2.5-flash-lite (raisonnement désactivé) et gemini-3.5-flash-lite (réflexion minimale et élevée). Sur la suite de stress (tâches NameIndex et MiddleMatch), la duplication du prompt a amélioré la précision de +38,8 points de pourcentage sur le modèle 2.5, reproduisant l'effet original, mais n'a eu aucun effet sur les tâches courantes. Une troisième copie n'a ajouté que +5 points de pourcentage, et l'ajout d'un marqueur comme « Répète : » n'a fait aucune différence. Sur le modèle 3.5 avec une réflexion minimale, l'effet a persisté (+36,3 points de pourcentage), mais avec une réflexion élevée, la précision atteignait déjà 100 % avec les deux prompts. L'astuce a également stabilisé un modèle par ailleurs non déterministe. Cependant, l'auteur note que l'astuce corrige spécifiquement les baisses d'attention sur les longues listes, et non les déficits arithmétiques ou autres problèmes de raisonnement, et conseille la prudence : les résultats sont limités à des identifiants de modèles et des dates précises, et l'ensemble de données est auto-créé.
Source: Habr — хаб ИИ —
original
