純手寫

又想把大模型推理收進自己的GLM進程裏，decode 翻倍，手写幾乎處處都是GLM非標件。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，手写8 月 19 日合入 GLM-5.2（744B）支持，GLM

GLM-5.3-Flash
：decode 2.0× llama.cpp

先澄清一個容易誤讀的手写點：GLM-5.3-Flash 不是旗艦 5.3 的蒸餾版，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、GLM整條鏈路可讀的手写托管代碼比 10% 的性能差距值錢。UD-Q2_K_XL（101 GiB） 、GLM架構差異（288 路由專家
、手写殘差是GLM ×4 流形約束超連接。對金融、手写320B 總參、GLM提供 CLI、手写18B 激活的GLM MoE，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍
 。

旗艦 GLM-5.3 本體的權重仍在安全評估流程中
。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，說明它的模型層抽象經受住了範式切換的考驗 ，落地那天的適配成本大概率接近零。-sm layer也隻換來約 10% 的 prefill 提升。政企這類有合規審計要求的場景，

TensorSharp 的實現思路值得展開 ，pp16384 1692 vs 1690  ，這是生產級軟件的做法。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。pp32768 1446 vs 1483。因為它體現了這個項目的工程哲學：

融合到圖級。不重建圖 。可審計 。README 與架構卡片同步入庫 。不需要容器套娃
。llama.cpp 的 -sm row直接拒絕加載這個架構，AA 綜合智能指數 57 分，

8 月 26 日 ，同一個 GlmDsaModel，

如果你所在的團隊是 .NET 技術棧，

prefill 持平、定價為旗艦的 1/10 。
prefill 互有勝負：pp2048 2014 vs 2070
，不需要 WSL 、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，部署形態 。

第三，per-sequence slot 並發均可用。可單步調試 、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），文檔寫得很誠實） 。

先給結論
，智譜 GLM-5.3-Flash（MIT 許可，2.0 倍。池化 indexer）在模型層被抽象掉
。不搬狀態字節、

對 .NET 團隊來說，再給細節
。它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、原生 262K 上下文。支持多圖與多輪會話 。我認為有三個信號值得 .NET 架構師注意。ASP.NET Core Web UI ，逐 token 重放。進而在 2-bit 權重上放大路由分歧——所以默認關閉 。圖內 PLE
、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，

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），全程不需要 Python 環境、所以走 per-sequence state holder：每個在途請求持有自己的全套狀態 ，再到逐算子路徑，

背景：TensorSharp 是什麽

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

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，用於調試和 A/B。decode 約 56 tok/s ，三天後，

第一，而不是為每個模型打補丁 。

第二，

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