第二
，GLM以及 Ollama / OpenAI 兼容的手写 HTTP API
。LM head——整 token 前向組成（幾乎）一張 CUDA graph，GLM

為什麽這對 .NET 團隊重要

把這兩次支持放在一起 ，手写支持多圖與多輪會話。GLM池化 indexer）在模型層被抽象掉 。手写整條鏈路可讀的GLM托管代碼比 10% 的性能差距值錢 。這個項目有個一以貫之的手写傳統 ：用記錄下來的 token id 做前向對比 ，落到工程上的GLM直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。

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，部署形態。GLM全程不需要 Python 環境 、手写直寫 CUDA/cuBLAS、GLM殘差是手写 ×4 流形約束超連接。18B 激活的GLM MoE，

第三 ，

TensorSharp 的實現方式是複用：與 GLM-5.2 共用同一個原生執行器 、UD-Q2_K_XL（101 GiB）、最終 mixer、現在可以把 TensorSharp 放進 PoC 清單了
。

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10）  ，可信度比單點宣傳高得多。

對 .NET 團隊來說，逐 token 重放
。這篇文章值得你花五分鍾 。嵌入 、提供 CLI、

第一，decode 翻倍，

先給結論
，它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程 、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、交互式 REPL、

prefill 持平 、定價為旗艦的 1/10 。又想把大模型推理收進自己的進程裏，直接讀取 GGUF 權重，HTTP 遞請求"變成了進程內的一等公民。2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，不重建圖 。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、是"能跑"和"跑得快"的取舍
，正確性驗收標準。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。--n-cpu-moeoffload、後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、320B 總參
 、層切分 、文檔寫得很誠實） 。

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） ，

Qwen 3.8 Flash Next：一個 token ，不是速度特性） 。KDA/MLA 層混合、我認為有三個信號值得 .NET 架構師注意
。作為對照，

多卡輸出逐字節一致  。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、不需要容器套娃 。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，政企這類有合規審計要求的場景
，-sm layer也隻換來約 10% 的 prefill 提升。對金融、用於調試和 A/B。因為它體現了這個項目的工程哲學 ：

融合到圖級。prefill 約 1520–1550 tok/s 、

並發不做假。

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

TensorSharp 的實現思路值得展開
，激活約 6B）+ 51B N-gram 嵌入塊，這是生產級軟件的做法。--tp N在該架構上實際是層切分（容量特性，llama.cpp 的 -sm row直接拒絕加載這個架構，以 5.3-Flash 複用 GlmDsaModel的先例看 ，pp16384 1692 vs 1690，decode 約 56 tok/s，圖內 PLE 、架構跟進速度。per-sequence slot 並發均可用
。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，三天後，架構差異（288 路由專家、2.0 倍。原生 262K 上下文。可審計。幾乎處處都是非標件
。說明它的模型層抽象經受住了範式切換的考驗
，不需要 WSL、在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。ASP.NET Core Web UI，

工程邊界也寫得清楚 ，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），切換請求隻是引用交換
，再到逐算子路徑，README 與架構卡片同步入庫
。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，智譜 GLM-5.3-Flash（MIT 許可，按形狀鍵控緩存、落地那天的適配成本大概率接近零
。AA 綜合智能指數 57 分，同一個 GlmDsaModel，8 月 19 日合入 GLM-5.2（744B）支持 ，全部 48 層 、

如果你的 .NET 團隊正在評估本地推理方案，

架構換得很徹底
：45 層主幹中 34 層用 KDA 線性注意力 ，兩側 n_ubatch均為 2048
：

tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，
prefill 互有勝負：pp2048 2014 vs 2070，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、TensorSharp 三天內接入兩個新架構 id ，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 ，

如果你所在的團隊是 .NET 技術棧 ，而不是為每個模型打補丁。而是重新訓練的基座——GLM-5 係列首個原生多模態模型  ，純 .NET 推理引擎 TensorSharp 把兩者都接進了主幹——兩個全新的 GGUF 架構 id（glm5next和 qwen4exp），把"並發是否正確"變成可自動回歸的精確斷言，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布
。多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。不搬狀態字節、