给大模型“省内存”，像把精确小数改成有限档位：数字占用更少，代价是回答可能变差。通常的补救思路是找出最怕误差的几层，单独给它们更高精度。但这篇论文发现，量化损伤往往不像一两个坏零件，更像遍布整台机器的细小偏差。
作者研究了4个架构家族的9个开放权重模型，并用22项任务测试训练后量化（PTQ——模型训练完再降低数字精度）的影响。他们逐层做“因果干预”：其余部分保持4-bit，只把某一层升到8-bit，看准确率能恢复多少。结果显示，常见线索——任务相关计算发生在哪里、某层权重的统计特征如何——都不能可靠指出该修哪一层。8个模型需要恢复大约一半层，才能补回大部分差距；Qwen3-8B是损伤较集中的例外。
更实用的结论是：在相同精度预算下，把额外精度通过更细的量化粒度分散到全模型，胜过优先修复最可恢复的几层；这一结果覆盖全部8个满足实验配置的模型，连Qwen3-8B也不例外。换句话说，下一位精度的默认去处，或许不是某个“关键层”，而是全局。结论仍限于论文测试的模型、任务与预算设置。