大模型部署时常采用量化技术来降低内存和计算开销，但常见的4位量化往往带来明显的精度损失。这项研究提出了一种名为“量化感知修复”的新方法，它并非简单地在量化后微调，而是在训练过程中引入针对量化误差的修复机制，使模型在极低比特表示下仍能保持甚至提升表现。实验结果显示，经过该方法处理的4位模型在多个任务上超过了原始的全精度模型，这打破了“压缩必然牺牲性能”的固有认知。这一成果的意义在于，它让高精度模型的轻量化部署变得更加可靠，尤其是在资源受限的设备上，开发者无需在模型大小和效果之间艰难权衡。如果该方法具备良好的通用性，未来有望成为大模型压缩的标准组件，推动更高效的边缘端AI应用。