Répéter votre prompt peut rendre les LLMs significativement plus précis. Google vient de montrer un changement trivial qui remporte 47 des 70 tests. Pas de tokens supplémentaires. Pas de latence ajoutée. Aucune perte signalée. 𝗥𝗲𝗽𝗲𝘁𝗶𝘁𝗶𝗼𝗻 𝗱𝗲 𝗽𝗿𝗼𝗺𝗽𝘁 𝗮𝗰𝗰𝗿𝗼𝗶𝘁 𝗹'𝗮𝗰𝗰𝘂𝗿𝗮𝗰𝗲 La méthode est simple. Envoyez exactement la même entrée deux fois, l'une après l'autre. Les modèles de langage lisent les tokens dans l'ordre. Les premières parties sont traitées sans le contexte complet. Lors du deuxième passage, l'image complète existe déjà. Les prédictions deviennent plus stables et plus précises. 𝗖𝗲𝗹𝗮 𝗳𝗼𝗻𝗰𝘁𝗶𝗼𝗻𝗻𝗲 𝗮𝘃𝗲𝗰 𝗹𝗲𝘀 𝗺𝗼𝗱𝗲𝗹𝘀 𝗺𝗮𝗷𝗼𝗿𝘀 Le document teste des systèmes populaires à grande échelle. Chaque modèle évalué s'améliore sans raisonnement activé. Résultats clés : > 47 victoires sur 70 benchmarks > Aucune régression de précision > Pas d'augmentation de la longueur de sortie > Aucun coût de latence mesurable 𝗖𝗲𝗹𝗮 𝗽𝗲𝗿𝗺𝗲𝘁 𝗹'𝗲𝗻𝗯𝗮𝗿𝗾𝘂𝗲 𝗱𝗲 𝗱𝗿𝗼𝗽-𝗶𝗻 Les sorties conservent le même format. Les pipelines existants restent inchangés. Vous obtenez une précision plus élevée en copiant et collant une fois.