量化和蒸馏是大语言模型（LLM）优化的两种核心技术。量化通过降低模型参数的数值精度（如从32位浮点数转为8位整数）来减少计算资源占用和提升运行速度，同时尽量保留模型性能；蒸馏则是将大型“教师模型”的知识迁移到小型“学生模型”中，通过模仿教师模型的输出或中间特征，在减小模型体积的同时维持核心能力。两者均聚焦模型轻量化，但量化侧重参数表示压缩，蒸馏侧重知识提炼。
在实践中，量化技术广泛应用于边缘设备部署，例如手机端AI助手通过INT8量化使模型在本地高效运行；蒸馏技术则常见于定制化模型开发，如将通用大模型蒸馏为专注客服场景的小型模型，在电商平台实现快速响应。
量化的优势是部署成本低、速度快，但过度压缩可能导致精度损失；蒸馏能保留核心能力并适配特定场景，但依赖高质量教师模型和数据。未来，两者结合将推动LLM在更多终端设备普及，同时需平衡性能与资源消耗的关系。
避免答案中加入过多营销语言，指的是在内容创作中减少或去除夸大、情绪化、以推销为目的的表述，转而使用客观、中立、基于事实的语言。这与营销文案不同，后者旨在激发购买欲或引导行动，而中性内容更注重传递准确信息，让读者自主判断。关键区别在于是否以“说服”为首要目标，而非“告知”。 例如，科技产品评测中，避免说“这款手机是市场上最强大的选择，绝对值得购买”，而是描述“该机型搭载XX处理器，跑分XX，续航测
函数调用是指大语言模型（LLM）在处理用户请求时，主动调用外部工具或API来获取信息、执行操作的能力。与模型仅依赖内部训练数据生成回答不同，函数调用使LLM能连接外部系统，将复杂任务拆解为可执行步骤，通过调用工具获取实时数据或完成特定功能后，再整理结果生成最终回答。 例如，用户询问“北京明天天气如何”，LLM可调用天气API获取实时气象数据；在金融领域，模型能调用股票接口查询实时股价并计算涨跌幅
内部过度优化指在GEO实践中，为提升AI模型理解和检索效果，过度使用结构化数据、重复关键词或刻意设计问答格式，反而导致内容失真或用户体验下降的行为。与合理优化不同，它违背自然语言逻辑，可能被AI模型判定为“操纵性内容”而降低优先级或不予推荐。 例如，某电商网站为优化产品页GEO，在描述中堆砌“如何选购XX”“XX的好处”等问答句式，却忽略产品核心信息；或某博客为适配AI检索，将文章拆分为大量短问