GEO优化成本经济学：140倍成本差异下的方案选择指南
GEO优化不是大厂专利：140倍成本差距背后的机会
做过GEO（生成式引擎优化）的人都有一个共同感受：效果好的方案烧钱，省钱的方案没效果。 这几乎成了GEO领域的"不可能三角"——你只能在效果、成本和易用性之间三选二。
但2025年10月，卡内基梅隆大学（CMU）发表、并于2026年1月被顶会ICLR2026正式接收的AutoGEO论文，用硬数据打破了这个困局。论文提出了两套GEO优化方案：AutoGEO_API和AutoGEO_Mini。前者调用商用大模型API，效果最强；后者基于仅17亿参数的开源小模型，通过强化学习训练而成。
关键数据：AutoGEO_Mini的运行成本仅为API方案的0.71%——相当于约140倍的成本差距。 但这个"廉价方案"的效果并不廉价：它在所有三个测试数据集上都超越了此前全部传统GEO基线方法，在最低可见性文档上仍实现了220%的可见性提升。
这意味着什么？GEO优化不再是只有大厂才玩得起的游戏。 个人博主、中小企业、独立站卖家，都有了一条经济可行的GEO优化路径。
本文将从成本经济学的视角，全面拆解AutoGEO两套方案的技术架构、成本结构、效果差异和适用场景，并为不同规模的企业和个人提供清晰的选型决策框架。
什么是GEO？为什么它的成本问题如此重要
GEO（Generative Engine Optimization，生成式引擎优化）是针对AI搜索引擎优化内容可见性的方法，目标是让网页内容被ChatGPT、Google AI Overview、Perplexity等AI引擎在生成回答时引用为信息来源。
与传统SEO不同，GEO优化的核心操作是"内容改写"——根据AI引擎的偏好规则，对现有内容进行系统性的结构调整和表述优化。这个过程涉及两个关键成本维度：
规则发现的成本。 搞清楚AI引擎到底喜欢什么样的内容。传统做法依赖人工经验和反复试错，效率极低。
内容改写的成本。 按照发现的规则，对每一篇目标内容进行改写。如果用商用大模型API，每篇内容都有直接的API调用费用；如果批量改写数百上千篇内容，总成本会迅速膨胀。
GEO成本问题之所以重要，是因为它直接决定了GEO优化的可扩展性。一个只有10篇核心页面的网站，即使用最贵的方案也花不了多少钱。但一个拥有5000篇产品页的电商站、或者每月产出50篇内容的媒体站，GEO的边际成本就变成了一个必须认真算的账。
AutoGEO框架速览：从偏好规则到内容改写
自动化偏好规则提取
AutoGEO的第一个创新是用自动化管线取代了人工经验：
它从AI引擎的实际行为数据中，找出被大量引用和几乎不被引用的文档对，然后用LLM分析为什么AI引擎偏爱其中一篇。通过四步管线（解释→提取→合并→过滤），将数万条行为观测浓缩为一组精炼的偏好规则。
这些规则具体是什么？论文从Gemini、GPT和Claude三个引擎中提取的通用规则包括：内容全面性、事实准确性、权威来源引用、客观中立的语调、清晰的逻辑结构、结论前置、语言简洁明了、信息时效性等。值得注意的是，不同领域的规则存在显著差异——研究型内容和电商内容的规则重叠度仅为35%-40%。
两套改写方案
偏好规则提取完成后，AutoGEO提供了两套截然不同的方案来执行内容改写：
| 维度 | AutoGEO_API | AutoGEO_Mini |
|---|---|---|
| 核心思路 | 把规则嵌入提示词，调用强大的商用LLM改写 | 用强化学习训练一个小模型来改写 |
| 底层模型 | Gemini-2.5-pro（商用API） | Qwen3-1.7B（17亿参数，开源） |
| 是否需要训练 | 不需要，即插即用 | 需要两阶段训练（冷启动+强化学习） |
| 推理方式 | 在线API调用 | 本地/离线推理，可在CPU上运行 |
| 部署难度 | 极低（写提示词即可） | 中等（需要训练和部署环境） |
这两套方案的效果和成本形成了鲜明对比，这正是本文要深入分析的核心。
成本全景：140倍差距从何而来
API方案的成本构成
AutoGEO_API的成本主要来自两个方面：
API调用费用。 每次改写一篇文档，都需要将原文和规则集作为输入，调用Gemini-2.5-pro（或同等级别的商用LLM）生成改写版本。按照当前主流LLM API的定价，一篇2000-3000词的文档，输入+输出的token消耗大约在4000-8000个token左右，单次改写成本约0.03-0.08美元（具体取决于所用模型和定价）。
吞吐量限制。 商用API通常有速率限制（Rate Limit），大批量改写时可能需要排队等待，实际的时间成本也不可忽略。
如果你有1000篇内容需要优化，按单篇0.05美元计算，直接API调用成本约50美元。看起来不多？但这只是单次改写的成本。在实际业务中，你可能需要针对不同AI引擎做多轮测试和调优，加上规则提取阶段本身也需要大量API调用，总成本会显著放大。
Mini方案的成本构成
AutoGEO_Mini的成本结构完全不同：
一次性训练成本。 Mini方案需要经过两阶段训练：冷启动（SFT）和强化学习（GRPO）。训练过程需要GPU资源，但这是一次性投入——模型训练完成后，可以无限次复用。
边际推理成本趋近于零。 训练好的Mini模型基于Qwen3-1.7B，仅17亿参数，可以在消费级CPU上运行推理。不需要GPU，不需要付费API，每篇文档的改写成本几乎可以忽略不计。
论文中给出的核心数据是：AutoGEO_Mini的运行成本约为AutoGEO_API的0.71%。 也就是说，API方案花100元能做到的事情，Mini方案大约只需0.71元。
成本差距的本质
140倍的成本差距从何而来？本质上是"按量付费"和"一次性投资"两种商业模式的区别：
| 成本维度 | AutoGEO_API | AutoGEO_Mini |
|---|---|---|
| 前期投入 | 几乎为零 | 中等（训练成本） |
| 单文档改写成本 | 固定费用（API调用） | 趋近于零（本地推理） |
| 规模效应 | 线性增长（量越大成本越高） | 边际递减（量越大单位成本越低） |
| 100篇总成本 | 基准成本×100 | 训练成本 + 极低推理成本 |
| 10000篇总成本 | 基准成本×10000 | 训练成本 + 极低推理成本（几乎不变） |
简单来说：如果你只需要优化10篇内容，API方案更经济（因为省去了训练成本）。但如果你需要优化100篇以上的内容，Mini方案的经济优势就会呈指数级放大。
效果对比：便宜是否等于效果差？
整体性能数据
成本低是好事，但如果效果也大打折扣就没有意义了。来看AutoGEO论文中的实验数据：
以Gemini引擎为例，三个数据集上的Overall指标对比：
| 数据集 | 原始文档 | 最佳传统基线 | AutoGEO_Mini | AutoGEO_API |
|---|---|---|---|---|
| E-commerce | 18.32 | 22.99 | 25.25 | 34.05 |
| GEO-Bench | 19.44 | 23.73 | 27.12 | 34.92 |
| Researchy-GEO | 20.18 | 27.75 | 38.53 | 43.76 |
几个关键结论：
Mini全面超越传统基线。 在所有三个数据集上，AutoGEO_Mini的效果都显著优于此前最强的传统方法（Fluency Optimization）。这意味着即使选择低成本方案，你获得的效果依然超越了此前"最先进"的GEO优化方法。
API方案效果最强，但Mini的差距在可接受范围。 以Researchy-GEO数据集为例，Mini的Overall得分（38.53）达到了API方案（43.76）的88%。用不到1%的成本获得88%的效果，这个性价比在大多数商业场景下是完全值得的。
领域差异明显。 在E-commerce数据集上，Mini与API的差距较大（25.25 vs 34.05，约74%）；但在Researchy-GEO上，差距明显缩小（88%）。这说明Mini在某些领域的表现更接近API方案。
低可见性文档的表现
对于最需要GEO优化的"隐身内容"，Mini的表现如何？论文Table3专门测试了可见性最低的文档：
| 方法 | Overall评分 | 较原始提升 | 成本水平 |
|---|---|---|---|
| 原始文档 | 9.46 | — | 零 |
| Fluency Optimization | 16.78 | +77% | 低（单次API调用） |
| AutoGEO_Mini | 30.24 | +220% | 极低（0.71%的API成本） |
| AutoGEO_API | 35.83 | +279% | 高（商用API调用） |
Mini在低可见性文档上实现了220%的提升。 从9.46到30.24，这是从"完全隐身"到"获得实质性引用"的质变。虽然不如API方案的279%，但远超传统方法的77%。
更重要的是，Mini在提升可见性的同时没有损害AI引擎的回答质量。GEU（生成式引擎效用）指标显示，Mini优化后的内容被引用时，AI引擎的回答精确度、清晰度和洞察力均维持在基线水平或略有提升。
跨引擎表现
Mini方案在不同AI引擎上的表现是否一致？论文在Gemini、GPT和Claude三个引擎上进行了测试：
| 引擎 | 数据集 | API Overall | Mini Overall | Mini/API比率 |
|---|---|---|---|---|
| Gemini | Researchy-GEO | 43.76 | 38.53 | 88% |
| GPT | Researchy-GEO | 35.48 | 33.31 | 94% |
| Claude | Researchy-GEO | 30.51 | 30.23 | 99% |
| Gemini | GEO-Bench | 34.92 | 27.12 | 78% |
| Claude | GEO-Bench | 22.25 | 26.42 | 119% |
一个有趣的发现：Mini在某些引擎上甚至超越了API方案。 在Claude引擎+GEO-Bench数据集的组合上，Mini的Overall得分（26.42）反而高于API方案（22.25）。这可能是因为Mini通过强化学习习得了某些比API提示词更有效的改写模式。
这个发现对实际选型有重要启示：不要简单地认为"贵的一定好"。在特定引擎和特定领域的组合下，Mini方案可能不仅更便宜，效果也更好。
AutoGEO_Mini训练全流程深度解析
对于有技术能力的团队来说，理解Mini的训练流程是评估其可行性的前提。保哥在这里把论文中的技术细节翻译成更容易理解的语言。
第一阶段：冷启动（Cold Start）
目标： 让小模型学会"GEO改写"的基本模式。
具体做法：
首先，用AutoGEO_API（即强大的商用LLM+偏好规则提示词）对训练集中的文档进行改写，得到（原文档, 改写文档）的配对数据。然后，用这些配对数据对Qwen3-1.7B进行监督微调（SFT）。
通俗来说，就是先让"老师"（大模型API）批改一批"作业"，然后让"学生"（小模型）模仿老师的批改方式。这一步确保小模型至少能产出基本合格的改写结果，为下一阶段的强化学习提供稳定的起点。
技术细节： 论文使用了LoRA（低秩适配）技术进行高效微调，降低了训练的显存需求。冷启动阶段通常只需要几百到几千条训练样本。
第二阶段：强化学习（GRPO）
目标： 在冷启动的基础上，进一步优化小模型的改写质量。
具体做法：
对于每个训练文档，小模型一次生成多个候选改写版本（论文中每组采样多个候选）。每个版本根据三个维度获得奖励分数：
结果奖励（Outcome Reward）。 直接衡量改写后文档在AI引擎中的实际可见性变化。这是最"硬"的指标——改写后被AI引用得更多就得高分。
规则奖励（Rule Reward）。 用一个LLM验证器检查改写内容是否遵循了偏好规则。满足的规则越多，分数越高。消融实验显示，去掉规则奖励后效果下降最为显著（从38.53降至31.41），说明这是最关键的奖励维度。
语义奖励（Semantic Reward）。 确保改写内容没有偏离原文的核心含义。具体指标包括关键信息的召回率（KPR）和矛盾率（KPC）。这个维度防止小模型为了"讨好"AI引擎而编造内容或扭曲原文。
三个维度的奖励经过Z-score标准化后求和，使用GRPO（群组相对策略优化）算法更新模型参数——鼓励模型偏向生成得分高于组内平均的改写版本。
训练资源估算
虽然论文没有公开具体的训练时间和资源消耗，但从模型规模和训练配置可以推算：
| 资源维度 | 估算值 |
|---|---|
| 基座模型 | Qwen3-1.7B（约3.4GB显存占用） |
| 训练显存需求 | 约16-24GB（含LoRA和优化器状态） |
| 可用GPU | A100 40GB（推荐）或RTX 4090 24GB |
| 冷启动训练时间 | 数小时（取决于数据量） |
| GRPO训练时间 | 数天（需要在线调用引擎计算结果奖励） |
| 教师模型API成本 | 数十到数百美元（生成冷启动训练数据） |
总训练成本的大致范围： 几百到几千美元（一次性），取决于训练数据规模和GRPO的迭代轮数。这个一次性投入，需要与后续节省的API调用费用做对比来评估ROI。
消融实验：哪些环节不能省？
论文的消融实验为"如何在预算有限时做取舍"提供了指导：
| 去掉的组件 | Overall得分 | 效果损失 |
|---|---|---|
| 完整方案 | 38.53 | 基准 |
| 去掉规则提示词（Rule Prompt） | 37.04 | -3.9% |
| 去掉规则奖励（Rule Reward） | 31.41 | -18.5% |
| 去掉语义奖励（Semantic） | 37.79 | -1.9% |
| 去掉结果奖励（Outcome） | 34.38 | -10.8% |
结论：规则奖励是最不能省的环节。 如果预算有限，可以适当简化语义奖励的计算方式，但规则奖励必须保留。其次是结果奖励——虽然计算成本较高（需要实际调用AI引擎），但它提供了最直接的优化信号。
企业选型决策框架
按企业规模的选型建议
基于成本和效果的双重分析，保哥为不同规模的团队给出具体的选型建议：
个人博主/独立创作者（内容量：10-50篇）
推荐方案：AutoGEO_API
理由：内容量小，API调用总成本有限（几美元到几十美元）。相比之下，训练Mini模型的一次性投入（GPU成本+教师数据生成）反而不划算。而且个人创作者通常缺乏训练和部署ML模型的技术能力。
实操路径：直接使用ChatGPT、Claude等商用API，将AutoGEO论文提取的偏好规则嵌入提示词模板，对每篇内容逐一改写。在改写前，可以先用GEO内容改写工具对原始内容做初步诊断，明确改写的优先方向。
中小企业/独立站（内容量：50-500篇）
推荐方案：分阶段混合策略
第一阶段用API方案优化最核心的20-30篇页面（产品主页、核心品类页、高流量博客），积累GEO优化经验。第二阶段评估是否有必要训练Mini模型——如果后续内容产出量持续增长，Mini的长期经济优势会逐渐显现。
关键决策点：当你预计未来12个月需要GEO优化的内容总量超过200篇时，投资训练Mini模型就开始变得划算。
大型企业/内容平台（内容量：500篇以上）
推荐方案：AutoGEO_Mini（主力）+ AutoGEO_API（校准）
对于内容量大的企业，Mini方案的经济优势是压倒性的。假设优化1000篇内容，API方案的调用成本可能是Mini方案的140倍。即使加上Mini的一次性训练成本，总成本也远低于API方案。
但建议保留API方案作为"校准工具"——每月用API方案随机改写10-20篇内容，与Mini方案的改写结果做对比，确保Mini模型没有出现性能退化。
按行业特点的选型建议
除了企业规模，行业特点也影响选型决策：
电商行业。 产品页数量多、更新频繁，Mini方案的经济优势最为明显。但要注意论文数据显示，Mini在电商数据集上的效果与API的差距较大（74% vs 88%），可能需要针对电商领域单独训练Mini模型。
B2B/SaaS行业。 核心内容量通常不大（几十到几百篇技术文档和博客），但每篇内容的商业价值极高。建议用API方案确保最高质量的改写效果。如果你想进一步了解如何在内容结构层面配合GEO优化，可以参考这篇优化内容结构与可读性完美匹配AI解析偏好的实操指南。
媒体/新闻行业。 内容产出量大、时效性要求高。Mini方案可以嵌入到内容生产管线中，在文章发布前自动进行GEO优化。但需要注意定期更新Mini模型，因为AI引擎的偏好规则可能随版本更新而变化。
本地服务行业。 内容量小，但对地域相关信息的准确性要求高。建议用API方案逐篇精修，确保地址、营业时间、服务范围等关键信息的精确性不受改写影响。
成本ROI计算模板
为了帮你做出更理性的选型决策，以下提供一个简化的ROI计算框架：
API方案ROI计算：
总成本 = 待优化内容篇数 × 单篇API调用成本 × 平均改写轮数
预期收益 = 可见性提升带来的额外流量 × 流量商业价值
Mini方案ROI计算：
总成本 = 一次性训练成本 + 待优化内容篇数 × 单篇推理成本（趋近于零）
预期收益 = 可见性提升带来的额外流量 × 流量商业价值
盈亏平衡点： 当 Mini训练成本 ÷（单篇API成本 - 单篇Mini推理成本）≤ 待优化内容篇数时，Mini方案更经济。
以论文中的0.71%成本比率推算：如果Mini的训练总成本为500美元，单篇API改写成本为0.05美元，那么盈亏平衡点约为500÷0.05 = 10000篇。但这是一个极端保守的估算——实际中如果考虑多轮改写测试、规则更新等因素，盈亏平衡点可能低至几百篇。
不走训练路线的GEO成本优化策略
策略一：提示词工程优化
不是所有人都有条件训练Mini模型。对于没有ML工程能力的团队，可以通过优化API方案的提示词来降低成本：
精简规则集。 AutoGEO的消融实验显示，某些规则的边际贡献较小。根据你的领域特点，保留最关键的5-8条规则即可，减少提示词长度从而降低token消耗。
分步改写。 与其一次性用长提示词改写整篇文档，不如将文档分成几个段落，对每个段落单独改写。每次API调用的输入更短，token消耗更低，而且可以对关键段落做更精细的优化。
缓存通用改写模式。 将改写后的高质量段落模板化，对于结构相似的内容（如产品页），只需改写差异化部分，复用模板部分。
策略二：混合人机模式
80/20法则应用。 用API改写最核心的20%内容（贡献80%商业价值的页面），其余80%的内容由人工参考偏好规则手动调优。人工改写虽然效率低，但成本也更可控。
人工+API联检。 先由人工编辑按照偏好规则做初步修改，然后用API做一次快速的"精修"。相比从零开始让API改写，这种方式可以显著减少API处理的token量。
策略三：利用开源生态
AutoGEO的代码和数据集已在GitHub上完整开源。如果你有基本的Python开发能力，可以：
直接使用论文提供的偏好规则集（无需自己提取）。使用论文开源的评估脚本来衡量改写效果。甚至直接使用论文发布的Mini模型检查点（checkpoints）——如果你的内容领域与论文数据集（电商、研究型查询或通用开放域）相匹配，可以跳过训练步骤直接推理。
GEO成本优化的监控与迭代
建立GEO优化的效果跟踪体系
花了钱做GEO优化，怎么知道钱花得值不值？保哥建议建立以下监控指标：
AI引用率。 选取10-20个核心业务查询，每月在主流AI平台（ChatGPT、Gemini、Perplexity）中测试你的内容是否被引用。可以使用GEO基准测试工具来系统化地追踪这些数据。
引用份额。 不仅看"有没有被引用"，还要看"引用了多少"。AutoGEO论文使用的Word（归因词数）、Pos（位置权重）和Overall（综合得分）三个指标，可以作为参考标准。
成本效率。 每月计算"单位可见性提升的成本"——总GEO支出 ÷ 可见性指标提升量。如果这个数字持续上升，说明当前方案的效率在下降，需要调整策略。
规则集的定期更新
AutoGEO论文的一个重要发现是：不同AI引擎的偏好规则虽然有较高重叠度（78%-84%），但每个引擎都有独特偏好，而且这些偏好会随引擎版本更新而变化。
建议保留一个"规则更新预算"——每季度拿出总GEO预算的10%-15%，用API方案重新提取一次最新的偏好规则，然后更新你的改写模板或Mini模型的训练数据。
避免常见的成本陷阱
陷阱一：过度优化。 不是每篇内容都需要GEO优化。优先优化那些已经有传统搜索排名（说明内容基础质量不错），但尚未被AI引擎引用的页面。这类页面的GEO优化ROI最高。
陷阱二：忽略GEU。 如果你的GEO优化导致AI引擎的回答质量下降，长期来看AI系统会自动降低对你内容的引用权重。论文中对抗性方法（Hijack Attack、Poisoning Attack）的数据已经证明了这一点——短期可见性提升的代价是引擎效用的全面下降。
陷阱三：一次性投入心态。 GEO不是一次性工作。AI引擎持续迭代，竞争对手也在优化，你的内容可见性会随时间自然衰减。保哥的建议是将GEO视为一项持续运营成本，而不是一次性项目投入。
GEO成本的未来趋势
模型效率持续提升
AutoGEO_Mini已经证明了小模型的GEO优化潜力。随着小模型技术的持续进步（模型蒸馏、量化推理、专家混合架构等），未来Mini类方案的效果会更接近甚至赶上API方案，而成本会进一步降低。
自动化规则更新
当前AutoGEO的规则提取仍需要一定的人工干预。未来如果实现全自动化的规则监控和更新管线，GEO优化的维护成本将大幅降低。AutoGEO论文的作者团队在结论中也提到了这个方向——让网站所有者可以持续监控引擎偏好变化，自动更新规则并嵌入GEO模型。
Agent搜索带来的新变量
随着AI Agent（如搜索Agent、购物Agent）的兴起，GEO的优化对象将从"单次RAG检索"扩展到"多轮Agent搜索验证"。这意味着GEO优化的复杂度和成本都会上升，但同时AI被引用的商业价值也会大幅提升——因为Agent搜索直接关联购买决策。如果你正在关注这些新型GEO监控工具的发展，可以参阅20款GEO/AEO监控工具深度评测来了解当前的工具生态。
GEO服务化的市场机会
对于有技术能力的团队来说，AutoGEO_Mini的开源特性意味着一个巨大的市场机会：训练针对特定行业优化的Mini模型，以SaaS形式提供GEO改写服务。客户按篇付费，但实际的推理成本趋近于零——中间的利润空间就是你的技术壁垒带来的溢价。
常见问题
AutoGEO_API和AutoGEO_Mini的核心区别是什么？
AutoGEO_API是即插即用的方案，将偏好规则嵌入提示词后直接调用商用大模型API（如Gemini-2.5-pro）进行内容改写，部署简单但每次改写都有API调用成本。AutoGEO_Mini是通过强化学习训练的小模型方案（基于Qwen3-1.7B），需要一次性的训练投入，但训练完成后可在本地CPU离线运行，边际推理成本趋近于零。两者的运行成本差距约140倍。
140倍成本差距的具体数字是多少？
论文给出的数据是AutoGEO_Mini的运行成本约为API方案的0.71%，即约1/140。具体的绝对金额取决于你使用的API定价和推理硬件配置。以当前主流LLM API价格估算，如果API方案改写1000篇文档花费50美元，Mini方案的推理成本约为0.35美元——但需要额外的一次性训练成本（几百到几千美元不等）。
没有ML工程能力，能用AutoGEO_Mini吗？
目前直接使用Mini有一定技术门槛——需要Python环境、GPU（训练时）和基本的模型部署知识。但论文团队已经在GitHub上开源了代码和模型检查点，如果你的内容领域与论文数据集匹配，可以直接下载预训练好的检查点进行推理，跳过训练步骤。此外，随着AutoGEO的影响力扩大，未来很可能出现基于Mini模型的SaaS产品。
Mini的效果比API差多少？能接受吗？
在Researchy-GEO数据集上，Mini达到了API方案88%的效果；在某些引擎和数据集的组合上，Mini甚至超越了API方案。在所有测试场景中，Mini都超越了此前全部传统GEO基线方法。对于绝大多数商业场景来说，用不到1%的成本获得80-100%的效果，性价比是完全可以接受的。
GEO优化的钱应该花在规则提取还是内容改写上？
两者都重要但侧重不同。规则提取是一次性投入（或每季度更新一次），投入相对固定。内容改写是持续性支出，随内容量线性增长。如果预算有限，建议优先投入规则提取——因为好的规则集可以指导人工改写，而没有规则指导的API改写效果也不会好。
训练AutoGEO_Mini大概需要多长时间？
冷启动阶段（SFT）通常只需要几个小时。GRPO强化学习阶段耗时较长，因为需要在线调用AI引擎计算结果奖励——根据训练数据量和采样数，可能需要数天到一周。整个训练流程在单张A100或RTX 4090上可以完成。
已经做了SEO优化的内容，还需要做GEO优化吗？
需要。SEO和GEO优化的目标不同——SEO关注搜索排名，GEO关注AI引用可见性。一篇SEO排名很好的内容，未必能被AI引擎引用。但好消息是，SEO优化过的内容通常有更好的基础质量，做GEO优化时的提升空间和效果也会更好。论文数据也印证了这一点——有一定基础可见性的文档，优化后的提升更加显著。