Der Reddit-Nutzer ShotokanOSS beschreibt ein informelles Experiment, bei dem er eine modifizierte Variante des Wanda-Pruning-Verfahrens mit HQQ (Half-Quadratic Quantization), einer datenlosen Quantisierungsmethode, kombiniert hat. Das überraschende Ergebnis: Das Prunen des Modells vor der Quantisierung verbesserte in dieser Konfiguration die Perplexität – also die Modellqualität – anstatt sie zu verschlechtern. Als mögliche Erklärung vermutet der Autor, dass der Kontrast zwischen datengesteuertem Pruning und datenloser Quantisierung eine Rolle spielen könnte. Wanda nutzt Aktivierungsdaten zur Gewichtsselektion, während HQQ ohne Kalibrierungsdaten arbeitet. Eine gesicherte theoretische Begründung fehlt noch, und der Autor weist selbst auf mögliche Fehler im Experiment hin. Der Post ist als Community-Diskussionsanstoß gedacht und hat noch keinen Peer-Review-Status.