用途：getitune（Geti 训练库）的模型优化技能，对已导出的 OpenVINO 模型执行训练后量化（PTQ），借助 NNCF 将模型转为 INT8，以缩小体积并加快推理。量化针对导出的 IR 模型，不是训练阶段步骤。
主要能力：从导出的 OpenVINO 模型创建引擎并量化，随后用 test() 验证量化模型、用 predict() 运行推理。optimize() 会就地替换引擎中的模型为 INT8 版本。
使用方式：所有操作在 library/ 目录下运行。示例： from getitune.engine import create_engine ov_engine = create_engine(model="/path/to/exported_model.xml", data="/path/to/dataset") ov_engine.optimize() int8_metrics = ov_engine.test() predictions = ov_engine.predict()
流程要点：1）从导出的 OpenVINO 模型（.xml）开始；若只有 checkpoint，先用 getitune-exporting-a-model 技能导出。2）提供校准数据集，校准图像自动取自训练子集，推荐 200-500 张。3）运行 optimize()，完成后 test()/predict() 即使用 INT8。4）用 test() 重新验证精度，与 FP32/FP16 基线对比，预期会有小幅精度下降以换取体积与延迟收益。
对比原模型：optimize() 后引擎持有 INT8 模型；如需复查原始 FP32/FP16 模型，可将原始 .xml 路径直接传给 .test()/.predict()，或从原始 .xml 重新创建引擎。
限制：仅支持 OpenVINO IR（.xml）；ONNX 模型须先转换为 OpenVINO IR 才能优化。在 Geti 应用中该能力以 quantize 作业形式暴露（application/backend/app/execution/quantization/），库中的 optimize() 是同一能力，只是没有作业/队列封装。
验证：在 library/ 下可运行 just lint；改动优化代码时运行 just test-unit -- -k optimize。相关技能：getitune-exporting-a-model（生成待量化的 OpenVINO .xml）、getitune-running-inference（用量化模型运行推理）。