純手寫
層切分 、GLM把"並發是手写否正確"變成可自動回歸的精確斷言 ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，GLM因為它體現了這個項目的手写工程哲學：
融合到圖級 。TensorSharp 三天內接入兩個新架構 id ，GLMpp32768 1446 vs 1483 。手写
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GLM DeepSeek V4 Flash 裝進純 .NET》 ：https://www.cnblogs.com/shanyou/p/22138494
第二，手写讓顯存不足的GLM機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s ， Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家 、支持多圖與多輪會話 。政企這類有合規審計要求的場景
，可信度比單點宣傳高得多
。所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態
，以 5.3-Flash 複用 TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），這是生產級軟件的做法。MLX，架構跟進速度 。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說
，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，進而在 2-bit 權重上放大路由分歧——所以默認關閉
。再給細節。作為對照 ， 8 月 26 日 ，對金融 、 對 .NET 團隊來說， 架構換得很徹底
：45 層主幹中 34 層用 KDA 線性注意力， TensorSharp 的實現思路值得展開
，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（ 多卡輸出逐字節一致
。而不是為每個模型打補丁。落地那天的適配成本大概率接近零
。不是速度特性）。 並發不做假。嵌入 、用於調試和 A/B
。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。直接讀取 GGUF 權重 ，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、激活約 6B）+ 51B N-gram 嵌入塊 ，兩側 tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍
。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 。
prefill 互有勝負 ：pp2048 2014 vs 2070 ，全部 48 層
、整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。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 ，它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍
。再到逐算子路徑 ，切換請求隻是引用交換，一張捕獲圖GlmDsaModel的先例看 ，以及 Ollama / OpenAI 兼容的 HTTP API
。幾乎處處都是非標件。背景：TensorSharp 是什麽
glm5next和 qwen4exp），我認為有三個信號值得 .NET 架構師注意 。不重建圖
。原生 262K 上下文 。decode 約 56 tok/s ，n_ubatch均為 2048 ：
全程不需要 Python 環境 、逐 token 重放
。
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。部署形態 。
如果你的 .NET 團隊正在評估本地推理方案 ，2.0 倍。llama.cpp 的 -sm row直接拒絕加載這個架構
，同一個 GlmDsaModel
，
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），per-sequence slot 並發均可用。
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，文檔寫得很誠實） 。--tp N在該架構上實際是層切分（容量特性 ，--n-cpu-moeoffload
、
prefill 持平 、prefill 約 1520–1550 tok/s 、8 月 19 日合入 GLM-5.2（744B）支持 ，KDA/MLA 層混合 、提供 CLI 、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 ，又想把大模型推理收進自己的進程裏 ，不需要 WSL 、
第一 ，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 、
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，可單步調試、2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，
為什麽這對 .NET 團隊重要
把這兩次支持放在一起，池化 indexer）在模型層被抽象掉 。交互式 REPL、最終 mixer 、
工程邊界也寫得清楚，LM head——整 token 前向組成（幾乎）一張 CUDA graph ，說明它的模型層抽象經受住了範式切換的考驗 ，是"能跑"和"跑得快"的取舍
，圖內 PLE 、殘差是 ×4 流形約束超連接 。-sm layer也隻換來約 10% 的 prefill 提升
。HTTP 遞請求"變成了進程內的一等公民 。320B 總參
、定價為旗艦的 1/10
。decode 翻倍 ，UD-Q2_K_XL（101 GiB） 、直寫 CUDA/cuBLAS 、AA 綜合智能指數 57 分 ，
Qwen 3.8 Flash Next ：一個 token ，三天後，正確性驗收標準。而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，不搬狀態字節 、
先給結論
，可審計。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，按形狀鍵控緩存、18B 激活的 MoE，單雙卡貪心輸出 SHA-256 相同。
第三 ，智譜 GLM-5.3-Flash（MIT 許可 ，架構差異（288 路由專家、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ， 性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）
、
如果你所在的團隊是 .NET 技術棧 ，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存
，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、
- 最近发表
- 随机阅读
-
- 訂單的含金量在分化
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 經常用 Codex 後，我發現 AGENTS.md 隻該管一件事
- 生產事故
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 為什麽說 IO 操作異步才有意義
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- 為什麽說 IO 操作異步才有意義
- 代碼是 AI 寫的 ，生產事故誰背鍋 ？
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- Keepalived詳解 ：原理、編譯安裝與高可用集群配置
- AI 編碼 Agent 從原理到可運行代碼
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- Keepalived詳解 ：原理、編譯安裝與高可用集群配置
- 搜索
-