在配置多轮对话系统时，以下哪项参数设置直接影响系统对用户历史对话内容的记忆范围？

模型量化（Quantization）技术会降低大模型的精度，因此不适合用于对精度要求极高的任务。

在大模型训练中，学习率调度（Learning Rate Scheduling）的主要目的是防止模型过拟合。

知识蒸馏（Knowledge Distillation）的核心思想是将复杂模型的知识迁移到简单模型中，以提升简单模型的性能。

模型剪枝（Pruning）技术通过移除不重要的神经元，可以显著减少模型参数数量，但不会影响模型推理速度。

在大模型中，增加注意力头（Attention Heads）的数量一定会提高模型性能

人类反馈强化学习（RLHF）技术的主要作用是提高大模型的生成速度

在大模型评估中，困惑度（Perplexity）是衡量模型生成多样性的指标

提示工程不影响模型底层参数

模型API调用无需考虑伦理问题

模型透明度与性能始终正相关