您好！感谢你们开源这个有趣的剪枝项目。我对这个工作很感兴趣，但在查看仓库后有一些疑问：
关于剪枝方法
-
剪枝策略：目前仓库只提供了剪枝后的模型，但没有详细说明使用了哪种剪枝方法。请问是采用了：
- 结构化剪枝（如通道剪枝、层剪枝）
- 非结构化剪枝（权重剪枝）
- 还是其他混合策略？
-
剪枝标准：能否分享一下剪枝的标准和流程？比如：
- 是基于权重重要性、梯度信息还是其他启发式方法？
- 剪枝比例是如何确定的？
- 是否有进行迭代式剪枝和微调？
-
技术细节：希望了解剪枝过程中的一些技术细节：
- 剪枝是在预训练阶段还是微调阶段进行的？
- 剪枝后的模型是否有进行知识蒸馏或其他恢复训练？
- 剪枝对模型性能的具体影响如何？
关于wan系列适配
-
架构兼容性：除了Qwen Image模型，请问这种剪枝方法：
- 是否可以适配到wan系列模型？
- 是否有特定的架构要求或限制？
-
迁移性：如果我想将这种方法应用到其他视觉-语言模型上，需要哪些修改？
- 是否需要重新设计剪枝策略？
- 代码框架是否具有足够的通用性？
其他建议
- 技术文档：希望能够补充更详细的技术文档或论文，解释具体的实现方法。
期待你们的回复！这个工作看起来很有潜力，希望能了解更多技术细节。
谢谢！
您好！感谢你们开源这个有趣的剪枝项目。我对这个工作很感兴趣，但在查看仓库后有一些疑问：
关于剪枝方法
剪枝策略：目前仓库只提供了剪枝后的模型，但没有详细说明使用了哪种剪枝方法。请问是采用了：
剪枝标准：能否分享一下剪枝的标准和流程？比如：
技术细节：希望了解剪枝过程中的一些技术细节：
关于wan系列适配
架构兼容性：除了Qwen Image模型，请问这种剪枝方法：
迁移性：如果我想将这种方法应用到其他视觉-语言模型上，需要哪些修改？
其他建议
期待你们的回复！这个工作看起来很有潜力，希望能了解更多技术细节。
谢谢！