把一座大资料库塞进行李箱，少带几本书并不奇怪；麻烦在于，丢掉的可能总是某几类，而且管理员还会很有把握地给出错答案。这项研究检查了 3 个大模型和 11 种压缩方法，包括量化——用位数更少的数字记录模型参数——以及剪枝——删除被认为不重要的参数或结构。它要回答的不是压缩后平均分降了多少，而是损失落在了哪里。
作者发现，中等程度压缩时，常见、中等和冷门知识的保留率大致相当；压缩更激进后，损失会在不同知识流行度之间不均匀地重新分配，并非简单地“先忘冷门知识”。更值得警惕的是，模型对压缩后新答错的问题，往往仍保持中高信心。社会偏见也有类似遮蔽：总体偏见分数看似稳定，不同人口群体上的刻板倾向却可能朝相反方向变化。换句话说，困惑度——模型预测文字时有多拿不准——或平均准确率接近原模型，不能证明部署风险也没变；上线前还得按知识类型、错误信心和人口群体拆开检查。