先弄清一件事：位宽不是唯一变量
把模型的数字从高精度压成低位整数，专业说法叫量化。行业里常听到「4 位」「8 位」这类说法，好像位宽越低越激进、越低越容易出问题。
实际情况是：同样是 4 位，有的模型压完几乎看不出差别，有的模型压到 8 位就开始认错货。差别来自数据本身——具体说，是激活值里有没有少数特别大的数。这类数会把量化可用范围的很大一块占掉，剩下的正常数值只能挤在很粗的格子里。
所以判断一个模型能不能压，看的不是它有多大，而是它的输入数据里有多少「刺」。
门店正是「刺」特别多的地方
商品识别模型的输入是收银台的画面。门店现场的特点，恰好和实验室样本相反：
- 联名、促销、换装商品：包装几个月一换，模型和量化参数都是围着老包装调的。
- 现制与联营档口：卤味、面包、熟食，厂家图片和实物差得很远，颜色、形状、反光都不一样。
- 反光包装：真空覆膜、礼盒覆膜，画面里会出现一片高亮。
- 堆叠与遮挡：果蔬堆在秤盘上、手入镜、商品互相压着。
- 季节性商品：月饼、粽子、地方特产，一年只出现一两个月。
这些样本在厂商准备的样本集里通常很少，甚至一件都没有。压缩模型时，量化参数是围着高频类别转的，长尾品类没人替它兜着。结果就是：平均识别率看着还行，出错的却集中在几个卖得不多、毛利不低的品上。
验收时怎么专门「找刺」
压缩模型的验收，思路和普通评测不一样——不是测平均，是故意挑最不像样的样本：
- 用自己的货测。 用门店自己的商品、自己的收银台、自己的灯光，不用演示机、不用厂商样本。
- 挑店里最不像样品的那件。 压扁的面包、带划痕的水果、拆过一半的整箱、贴着促销标签的旧包装。
- 按品类分层统计。 常见品类（饮料、乳品）和长尾品类（现制、散称、季节品）分开算，不要平均。
- 看最差的那一档。 平均值会被大量容易样本拉高，决定门店体验的是最难的几个品类在难场景下的表现。
- 区分错误的代价。 认错成同价位的另一款菜，和认错成差几十块的肉，损失不在一个量级，别混在一起统计。
选型和采购时该问的一句
与其问「你们压到几位」，不如问：压缩和校准用的数据，覆盖了哪些品类和场景？
位宽是厂商在工程上的取舍，门店很难判断；覆盖范围是能不能在你这儿用的前提，门店一问就清楚。如果对方的样本里只有标准摆放、常见货品，就要预期新品类和新场景上线后还得再折腾一轮。
一句提醒
压缩是工程取巧，不是免费午餐。门店不需要懂旋转矩阵这类数学工具，只要坚持一件事：验收时用离群的那批货，而不是最好认的那批货。