某企業建置檢索增強生成（Retrieval-augmented generation, RAG）系統支援內部知識查詢。隨著使用量提升，團隊發現模型回覆品質穩定，但推論延遲與運算成本逐漸增加。專案規劃在維持回覆品質前提下進行效能優化。在此情境下，若採用知識蒸餾（Knowledge Distillation），下列敘述何者最為合理？
答案 （D）
核心概念
知識蒸餾採用「師生架構」——讓小模型（學生）去學習大模型（老師）的輸出行為，不只學最終答案，也學老師輸出的機率分布。訓練完成後，小模型能以遠低於大模型的運算量提供接近的品質，因此推論延遲與成本雙雙下降，非常適合本題「維持品質前提下降低成本」的需求。
答題技巧
快速判斷技巧：知識蒸餾的關鍵字就是「大模型教小模型」。看到選項出現師生關係的描述就選它，其他選項不必細看。
易錯陷阱：三個誘答都是用「取消或簡化某個元件」來換效能，這類「把功能砍掉當優化」的選項在架構題中一律是錯的——優化是要在維持功能的前提下降低成本。