# Perché l'errore di quantizzazione colpisce di più gli esperti rari

## Contesto: Modelli Mixture-of-Experts (MoE)

Nei modelli MoE, solo una parte degli "esperti" (reti feed-forward specializzate) viene attivata per ogni token. La quantizzazione comprime i pesi riducendo la precisione numerica (es. da FP16 a INT4), introducendo un **errore di quantizzazione**.

## I motivi principali

### 1. Meno dati per la calibrazione
Gli esp