引言：当“省内存”遇上“丢精度”
在LLM推理的战场上，内存带宽和计算效率是永恒的瓶颈。混合精度推理——通过将模型的部分或全部参数、激活值从FP16/BF16压缩到INT8、FP8甚至INT4——已经成为部署大模型的标准操作。然而，天下没有免费的午餐：精度压缩必然伴随精度损失，而这种损失在不同模型、不同任务、不同硬件上的表现天差地别。
一个残酷的现实是：精度损失不是均匀分布的。某些层对量化极度敏感，某些token（如“注意力沉没”现象中的早期token）的量化误差会被放大，某些语言（如英语）的FP8退化远比其他语言严重。
本文将从精度损失的本质机理出发，系统梳理2026年最新的量化评估方法、主流应对策略、生态工具选型和潜在安全风险，为读者提供一份可落地的混合精度推理实践指南。
一、精度损失的本质：为什么量化会“杀死”精度？
1.1 离群值（Outliers）：量化的头号敌人
大模型推理精度损失的首要元凶是激活值中的离群值。研究表明，LLM的激活值分布呈现出“少数通道数值极大、多数通道数值集中”的特征。
以Meta-Llama-3-8B为例，Silva等人在2026年4月发表于PROPOR 2026的研究中指出：英语文本的激活值中存在超过35的大幅离群尖峰，而巴西葡萄牙语（PT-B