文章主要内容总结本文是一项关于在旅游领域集成大型语言模型（LLMs）的工业案例研究，以FERVENTO公司开发的酒店预订平台CALEIDOHOTELS为背景，旨在解决第三方数据源中住宿信息不完整、不一致的问题。研究评估了两种LLM模型的表现：通过QLoRA技术微调的Mistral 7B，以及采用优化系统提示的Mixtral 8x7B，重点关注模型生成描述的一致性、同质性和幻觉率（生成虚假信息的比例）。评估结果显示，Mixtral 8x7B在完整性（99.6% vs. 93%）、精确性（98.8% vs. 96%）和幻觉率（1.2% vs. 4%）上均优于Mistral 7B，且生成内容更简洁（平均249词 vs. 277词），但计算成本显著更高（需50GB显存，每小时1.61美元，而Mistral 7B仅需5GB显存，每小时0.16美元）。研究最终为生产环境中LLM的部署提供了实践参考，揭示了模型性能与资源效率之间的权衡，并证实了LLMs在提升住宿数据一致性和可靠性方面的有效性。文章创新点工业级集成路线图：详细描述了将LLMs集成到实际预订平台的步骤和经验，为旅游或其他工业领域的类似应用提供了可参考的实施路线图。差异化模型评估：实证对比了两种不同策略的LLM（微调的小型模型与依赖提示工程的大型模型），分析了微调与提示工程的过程及各自的权衡，为研究者和从业者提供了实用见解。领域应用验证：证实了LLMs在旅游住宿领域的实际价值，可通过生成统一、可靠的描述提升用户体验，将平台目录