Die Macht der Wiederholung: Wie „Prompt-Redundanz“ LLMs präziser macht

Google-Forschende haben untersucht, ob die mehrfache Wiederholung einer Frage innerhalb eines Prompts die Leistung von Non-Reasoning LLMs steigert. Die im Dezember 2025 veröffentlichte Studie testete gängige Chatbots und belegt:
Die Genauigkeit steigt signifikant, wenn die Kernfrage, Anweisung oder Aufgabe identisch wiederholt wird. Statt nur eine <Frage> zu stellen, lautet der Trick, den Prompt als <Frage> <Frage> zu formulieren. Das Ergebnis: In 47 von 70 Testfällen verbesserten sich die Resultate, in keinem einzigen Fall verschlechterten sie sich.
Übrigens: Laut Studie liefert bei komplexeren Zuordnungsaufgaben eine dreifache Wiederholung (Prompt x3) sogar noch bessere Ergebnisse als eine doppelte.

Warum funktioniert das und was bedeutet „besser“?
In langen Prompts führt die Distanz zwischen der initialen Anweisung, dem Kontext und den zu verarbeitenden Daten oft zu einer Art Signalverlust. Durch die identische Wiederholung erhöht sich das statistische Gewicht der Frage bei der Antwortgenerierung. Das Modell wird dadurch gezwungen, den Fokus stärker auf diese spezifischen Bedingungen des Prompts und des individuellen Kontextes zu legen, anstatt in Standardmuster zurückzufallen. Die Folge: Halluzinationen werden reduziert und Antworten fallen deutlich spezifischer aus.

Wann lohnt sich dieser Trick?

• Bei Non-Reasoning-Modellen, also kleineren, schnelleren Modellen (wie Gemini Flash, GPT-4o-mini oder Claude 3.5 Haiku)
• Wenn ein Output mit strikten Formatvorgaben (z. B. JSON-Code) erfolgen muss
• Wenn die zu verarbeitenden Informationen und der Kontext so umfangreich sind, dass die Frage oder Teile der Frage sonst drohen unterzugehen

Alter Hut oder echter Nutzen?
Kritische Personen, etwa von GameStar Tech, sehen darin wenig Mehrwert, da moderne LLMs ohnehin flächendeckend über Reasoning-Funktionen verfügen. Doch das greift zu kurz:

1. Viele Nutzende wissen nicht, ob sie sich gerade im Reasoning- oder Standard-Modus befinden.
2. Die gezielte Prompt-Wiederholung kann die Anzahl der generierten Tokens (und damit die Kosten) im Vergleich zu rechenintensiven Reasoning-Modellen senken.

Reasoning-Modelle folgen zu Beginn ihres Prozesses derselben Methode, den Prompt intern zu wiederholen. Wer diesen Mechanismus manuell durch Prompt-Wiederholung im „Instant“- oder „Fast-Thinking“-Modus nutzt, erhält präzisere Ergebnisse – schneller und günstiger.

Von Marcel Ohrenschall