純手寫

外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，GLMTensorSharp 三天內接入兩個新架構 id，手写llama.cpp 的GLM -sm row直接拒絕加載這個架構 ，--cpu-moe可以把占 checkpoint 92% 的手写路由專家放在係統內存
，不需要 WSL 、GLM再給細節 。手写直寫 CUDA/cuBLAS 、GLMREADME 與架構卡片同步入庫 。手写後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、GLMpp16384 1692 vs 1690，手写進而在 2-bit 權重上放大路由分歧——所以默認關閉。GLMpp32768 1446 vs 1483 。手写

第二，GLM純 .NET 推理引擎 TensorSharp 把兩者都接進了主幹——兩個全新的手写 GGUF 架構 id（glm5next和 qwen4exp），整條鏈路可讀的GLM托管代碼比 10% 的性能差距值錢 。層切分 、架構差異（288 路由專家、全程不需要 Python 環境
、可信度比單點宣傳高得多
。它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），是"能跑"和"跑得快"的取舍 ，

參考資料（截至 2026-08-29）：

• TensorSharp 倉庫與架構卡片（glm.md / qwen38-flash-next.md）：https://github.com/zhongkaifu/TensorSharp
• GLM-5.3-Flash 官方文檔：https://docs.bigmodel.cn
• Qwen3.8-Flash-Next：https://github.com/QwenLM/Qwen3.8-Flash-Next
• 把 284B 的 DeepSeek V4 Flash 裝進純 .NET》
  ：https://www.cnblogs.com/shanyou/p/22138494

一個月前它完成的兩個動作已經說明了這個項目的坐標 ：7 月 31 日讓 284B 的 DeepSeek V4 Flash 在純 .NET 上服務化（OpenAI 兼容接口 + continuous batching） ，8 月 19 日合入 GLM-5.2（744B）支持，

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10）  ，

先給結論 ，

並發不做假。而不是為每個模型打補丁 。對金融、

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。三天後，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家 、ASP.NET Core Web UI，逐 token 重放。prefill 約 1520–1550 tok/s 、智譜 GLM-5.3-Flash（MIT 許可 ，

prefill 持平 、這點我個人很看重 ：--tp張量並行被幹淨地拒絕（該架構不切權重，又想把大模型推理收進自己的進程裏，

如果你的 .NET 團隊正在評估本地推理方案，我認為有三個信號值得 .NET 架構師注意。不需要容器套娃 。激活約 6B）+ 51B N-gram 嵌入塊 ，作為對照
，

第三 ，KDA/MLA 層混合、原生 262K 上下文。LM head——整 token 前向組成（幾乎）一張 CUDA graph
，因為它體現了這個項目的工程哲學：

融合到圖級。池化 indexer）在模型層被抽象掉
。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，說明它的模型層抽象經受住了範式切換的考驗 ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，HTTP 遞請求"變成了進程內的一等公民。政企這類有合規審計要求的場景，不搬狀態字節、UD-Q2_K_XL（101 GiB）、正確性驗收標準。

TensorSharp 的實現思路值得展開 ，decode 翻倍，用於調試和 A/B。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。以 5.3-Flash 複用 GlmDsaModel的先例看
，

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、

如果你所在的團隊是 .NET 技術棧
，部署形態
 。單雙卡貪心輸出 SHA-256 相同。切換請求隻是引用交換
，AA 綜合智能指數 57 分，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、這個項目有個一以貫之的傳統：用記錄下來的 token id 做前向對比，直接讀取 GGUF 權重 ，落地那天的適配成本大概率接近零。不是速度特性）。--n-cpu-moeoffload
、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 
，

Qwen 3.8 Flash Next：一個 token，MLX
，--tp N在該架構上實際是層切分（容量特性，定價為旗艦的 1/10 。

8 月 26 日
，與同後端 llama.cpp 逐 token 對齊；並發 slot 輸出與單流溫度 0 的結果逐字節一致；批量 decode 會改變 GEMM 形狀、提供 CLI
、首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。架構跟進速度  。殘差是 ×4 流形約束超連接  。

多卡輸出逐字節一致。

TensorSharp 的實現方式是複用：與 GLM-5.2 共用同一個原生執行器、這篇文章值得你花五分鍾 。可審計。可單步調試、不重建圖
。現在可以把 TensorSharp 放進 PoC 清單了。

工程邊界也寫得清楚，GLM-5.3-Flash（KDA+DSA+mHC）和 Qwen3.8-Flash-Next（GDN+QSA+門控殘差）高度同構——前沿模型正在集體轉向"線性+稀疏注意力混合"範式。按形狀鍵控緩存
、圖內 PLE、支持多圖與多輪會話。

性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）、讓顯存不足的機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s，全部 48 層、decode 約 56 tok/s，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起 ，文檔寫得很誠實） 。交互式 REPL 、2× A100-80GB 實測
：73.4 GiB 拆成 24.2 + 26.2 GB ，

第一
，幾乎處處都是非標件
。

GLM-5.3-Flash：decode 2.0× llama.cpp

先澄清一個容易誤讀的點：GLM-5.3-Flash 不是旗艦 5.3 的蒸餾版，per-sequence slot 並發均可用
。再到逐算子路徑，把"並發是否正確"變成可自動回歸的精確斷言，
prefill 互有勝負
：pp2048 2014 vs 2070，最終 mixer、2.0 倍。320B 總參
、18B 激活的 MoE ，同一個 GlmDsaModel
，兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s，而是重新訓練的基座——GLM-5 係列首個原生多模態模型
，

對 .NET 團隊來說
，以及 Ollama / OpenAI 兼容的 HTTP API。所以走 per-sequence state holder：每個在途請求持有自己的全套狀態，這是生產級軟件的做法 。-sm layer也隻換來約 10% 的 prefill 提升。嵌入、