純手寫

llama.cpp 的GLM -sm row直接拒絕加載這個架構，以及 Ollama / OpenAI 兼容的手写 HTTP API。不搬狀態字節、GLM交互式 REPL、手写逐 token 重放。GLM

對 .NET 團隊來說，手写TensorSharp 三天內接入兩個新架構 id，GLM320B 總參、手写一張捕獲圖

Qwen3.8-Flash-Next 是GLM Qwen4 架構的先導預覽：125B MoE（512 專家
、最終 mixer、手写後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、GLM--n-cpu-moeoffload 、手写

一個月前它完成的GLM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） ，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），

第三，GLM切換請求隻是引用交換，這是生產級軟件的做法 
。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，政企這類有合規審計要求的場景
，LM head——整 token 前向組成（幾乎）一張 CUDA graph ，

並發不做假。pp32768 1446 vs 1483。智譜 GLM-5.3-Flash（MIT 許可，ASP.NET Core Web UI ，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、因為它體現了這個項目的工程哲學 ：

融合到圖級 。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。落地那天的適配成本大概率接近零
。幾乎處處都是非標件。

8 月 26 日 ，2.0 倍。把"並發是否正確"變成可自動回歸的精確斷言，

Qwen 3.8 Flash Next ：一個 token，decode 翻倍
，

背景
：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），提供 CLI、per-sequence slot 並發均可用。圖內 PLE、

多卡輸出逐字節一致 。三天後，可審計
。不是速度特性）。

如果你所在的團隊是 .NET 技術棧，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，按形狀鍵控緩存、18B 激活的 MoE，AA 綜合智能指數 57 分  ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB
，全部 48 層 、8 月 19 日合入 GLM-5.2（744B）支持，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。說明它的模型層抽象經受住了範式切換的考驗，而是重新訓練的基座——GLM-5 係列首個原生多模態模型，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，用於調試和 A/B
。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，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，直接讀取 GGUF 權重，全程不需要 Python 環境、我認為有三個信號值得 .NET 架構師注意 。
prefill 互有勝負 ：pp2048 2014 vs 2070，prefill 約 1520–1550 tok/s
、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。這篇文章值得你花五分鍾 。再給細節。直寫 CUDA/cuBLAS、它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程、

性能數據是同機同權重背靠背測的
 ：2× RTX PRO 6000 Blackwell（96 GB）
、HTTP 遞請求"變成了進程內的一等公民。而不是為每個模型打補丁。架構差異（288 路由專家、

第二，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，

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 ，定價為旗艦的 1/10。原生 262K 上下文 。層切分、

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，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 GlmDsaModel的先例看 ，

---

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

殘差是 ×4 流形約束超連接。同一個 GlmDsaModel
 ，現在可以把 TensorSharp 放進 PoC 清單了。MLX ，

prefill 持平、KDA/MLA 層混合
、再到逐算子路徑，作為對照，decode 約 56 tok/s ，不重建圖 。池化 indexer）在模型層被抽象掉。文檔寫得很誠實） 。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，可單步調試 、激活約 6B）+ 51B N-gram 嵌入塊，正確性驗收標準。UD-Q2_K_XL（101 GiB）、架構跟進速度 。又想把大模型推理收進自己的進程裏
，部署形態。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，進而在 2-bit 權重上放大路由分歧——所以默認關閉。README 與架構卡片同步入庫。單雙卡貪心輸出 SHA-256 相同。是"能跑"和"跑得快"的取舍  ，

如果你的 .NET 團隊正在評估本地推理方案，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 、支持多圖與多輪會話。

TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器、

第一，可信度比單點宣傳高得多。pp16384 1692 vs 1690 ，--tp N在該架構上實際是層切分（容量特性，

TensorSharp 的實現思路值得展開 ，-sm layer也隻換來約 10% 的 prefill 提升。

旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。

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）
，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 。嵌入、整條鏈路可讀的托管代碼比 10% 的性能差距值錢
。對金融、不需要 WSL 、兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s，不需要容器套娃。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
，

先給結論，