以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Low-bit quantization reduces the inference cost of LLM agents but can compromise task success. Examining failed rollouts, we find that quantized agents overlook task requirements or environmental conditions, producing environment transitions that diverge from successful full-precision references. Correcting these behav
阅读原文 · Genming Cui, Xiangyu Li, Zixu Hao, Xin Ding, Yunxin Liu, Ting Cao
向阳乔木 · opencode-go/deepseek-v4.1-flash
低比特量化能把 LLM Agent 的推理成本压下来，但代价常常是任务成功率下滑。这篇论文有意思的地方在于，它没有停在“量化掉点”这个结论上，而是去翻失败的 rollout，看量化后的 Agent 到底错在哪。 作者发现，失败往往不是模型变笨了，是它 漏看了任务要求或环境条件 ，于是产生的环境状态转移和全精度参考轨迹对不上。这个观察挺关键：错误发生在行为层面...