让 AI 推荐汽车，多问几次本应得到不同的合理答案；压缩模型后，它却可能反复认准同一个品牌。Dachi Kurtskhalia 研究了权重量化——把模型参数改用低精度数字表示，以节省显存、加快推理——是否会在不明显损害答题能力的同时，让输出变得更固定。
作者比较 Qwen3 的 8B、14B 和 32B 模型，在相同软硬件与采样设置下收集约 7.1 万条回答。其报告称，8B 模型采用 4-bit 量化后，同一购车场景的两次回答推荐相同品牌的概率上升 5.1 个百分点。最直观的一例是：面对“只能使用公共充电桩的公寓住户”这一场景，高精度版本的 20 次回答分散在 Tesla、Renault、Nissan 和 Hyundai；量化版 20 次全部选择 Tesla。重要的是，预先设定的刻板印象方向检验在三个规模上都未发现显著变化：模型更常收拢到每道题原本最常见的答案，而非统一偏向某个群体或品牌。14B 和 32B 也未出现显著的内容集中效应。换句话说，低比特压缩可能改变的是小模型的“选择范围”，不只是能力分数；部署评估还应检查答案是否悄悄变得单一。