Une astuce simple pour booster les résultats.
Une étude récente menée par Yaniv Leviathan, Matan Kalman et Yossi Matias de Google Research met en lumière une approche surprenante pour améliorer les performances des LLM. Plutôt que de complexifier les prompts ou de demander au modèle de réfléchir étape par étape, les chercheurs ont testé une méthode ultra-simple : répéter le prompt deux fois avant de le soumettre.
Le raisonnement derrière cette technique est lié à la structure des LLMs. Comme le rappellent les auteurs, « les LLMs lisent de gauche à droite. Chaque token voit uniquement ce qui précède ». Autrement dit, le modèle analyse chaque mot en connaissant seulement ceux qui sont avant et ignore ce qui vient après.
Dans une requête classique, le contexte placé en début de prompt est donc analysé sans connaître la question, ce qui limite l’efficacité du modèle. En doublant le prompt, chaque élément du texte peut prendre en compte l’ensemble du contexte et de la question simultanément.
Les tests ont été réalisés sur sept modèles (Gemini, GPT, Claude et Deepseek) et sur plusieurs benchmarks. Les résultats sont sans appel : les scores s’améliorent systématiquement.
Comme le soulignent les chercheurs, « La répétition du prompt améliore les performances des LLMs sans allonger les réponses générées ni augmenter la latence ». Pour certaines tâches, l’amélioration est spectaculaire : l’exactitude sur NameIndex passe de 21 % à 97 %.
Plusieurs variantes ont également été testées, comme répéter le prompt trois fois ou utiliser une version plus détaillée, qui parfois donne de meilleurs résultats que la simple répétition.
Les auteurs précisent que ces gains ne viennent pas d’un simple allongement du prompt : « « Pour montrer que les gains proviennent réellement de la répétition du prompt et non simplement de l’allongement de l’entrée, nous avons également testé la méthode de remplissage (Padding)… qui, comme prévu, n’améliore pas les performances ».
L’un des intérêts majeurs de cette technique est sa simplicité et sa compatibilité avec les systèmes existants. La répétition du prompt ne modifie pas le format des réponses générées et n’impacte pas la durée de réflexion. Elle apparaît ainsi comme une solution efficace et pratique pour de nombreuses tâches où le raisonnement étape par étape n’est pas nécessaire.
Les LLMs n’ont pas fini de nous surprendre…
