QuantiBias 指出量化模型可通過短式安全測試，開放式回答卻仍產生約四分之一刻板印象

新公開的 QuantiBias 基準把後訓練量化視為需要重新執行安全評估的部署變更，而非純粹的數值最佳化。其方法固定模型架構、訓練與提示，只替換不同精度的權重，再並列測量有害請求拒答、正常問題過度拒答、選擇題偏見，以及模型在八種語言中主動產生刻板印象的比例。

作者在 Qwen3.6-27B 的量化階梯上報告，StrongREJECT 直接拒答率約維持 0.98，XSTest 過度拒答與 BBQ 選擇題分數也大致不變；然而由不同模型家族的 Claude Sonnet-5 擔任評審時，開放式 MBTP 回答的刻板印象支持率約由 24% 升至 27%。第二個 Gemma-4-31B 骨幹則由 27.6% 升至31.7%，另一個生成式 CEB 測試由 13.5% 增至 37.6%。研究的核心結論不是所有壓縮層級都單調惡化，而是短答案檢查可能完全看不到生成行為的偏移。

公開工具可重新組合八個上游基準、產生推論結果、以跨模型評審標記立場與嚴重度，並從 GGUF 檔案計算實際 bits per weight。這點很重要，因為作者指出名義上的量化標籤可能低估整體儲存成本；部署團隊應以實際成品而非量化方法名稱比較風險。

但結果高度依賴 LLM 評審、提示抽樣與社會文化分類。作者也承認「偏見是否隨壓縮持續增加」會因評審而異；目前 Hugging Face 資料檢視器還出現結構轉換錯誤。工程團隊宜使用不同家族的多個評審、人工抽查及產品實際語言分布重測，不能把單一百分比當成安全認證。