第二 ，GLM-sm layer也隻換來約 10% 的手写 prefill 提升 。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 ，
工程邊界也寫得清楚 ，手写這個項目有個一以貫之的GLM傳統 ：用記錄下來的 token id 做前向對比 ，
如果你的手写 .NET 團隊正在評估本地推理方案
，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel
、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），政企這類有合規審計要求的GLM場景 ，單雙卡貪心輸出 SHA-256 相同。手写我認為有三個信號值得 .NET 架構師注意。GLM支持多圖與多輪會話。手写decode 約 56 tok/s，GLMprefill 約 1520–1550 tok/s、手写--n-cpu-moeoffload、GLM18B 激活的 MoE ，decode 翻倍 ，直寫 CUDA/cuBLAS 、
prefill 持平、GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，逐 token 重放 。
第一，可審計 。
先給結論，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存
，
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，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。AA 綜合智能指數 57 分，因為它體現了這個項目的工程哲學 ：
融合到圖級 。說明它的模型層抽象經受住了範式切換的考驗 ，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，定價為旗艦的 1/10 。
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
mmproj-BF16.gguf接入
，用於調試和 A/B 。2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB
，對金融 、TensorSharp 的實現思路值得展開，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），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），pp32768 1446 vs 1483 。
第三 ，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。
多卡輸出逐字節一致 。不是速度特性） 。這篇文章值得你花五分鍾。不需要容器套娃 。層切分 、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 。以 5.3-Flash 複用 GlmDsaModel的先例看 ，又想把大模型推理收進自己的進程裏
，部署形態 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal
、幾乎處處都是非標件 。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 、ASP.NET Core Web UI，TensorSharp 三天內接入兩個新架構 id ，而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，池化 indexer）在模型層被抽象掉
。一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、
8 月 26 日，2.0 倍。不搬狀態字節 、而不是為每個模型打補丁 。
如果你所在的團隊是 .NET 技術棧，KDA/MLA 層混合 、不需要 WSL 、激活約 6B）+ 51B N-gram 嵌入塊
，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，可單步調試 、把"並發是否正確"變成可自動回歸的精確斷言 ，切換請求隻是引用交換 ，README 與架構卡片同步入庫
。320B 總參
、
架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力 ，llama.cpp 的 -sm row直接拒絕加載這個架構
，架構差異（288 路由專家
、三天後
，不重建圖
。正確性驗收標準
。--tp N在該架構上實際是層切分（容量特性 ，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分
、最終 mixer 、殘差是 ×4 流形約束超連接
。所以走 per-sequence state holder：每個在途請求持有自己的全套狀態，整條鏈路可讀的托管代碼比 10% 的性能差距值錢。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。
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） ，再給細節。它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程、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 ，再到逐算子路徑 ，落地那天的適配成本大概率接近零 。
Qwen 3.8 Flash Next ：一個 token ，MLX ，智譜 GLM-5.3-Flash（MIT 許可 ，
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、同一個 GlmDsaModel
，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，UD-Q2_K_XL（101 GiB）
、per-sequence slot 並發均可用
。提供 CLI 、
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。原生 262K 上下文 。
並發不做假。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 ，兩側 n_ubatch均為 2048：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s，
對 .NET 團隊來說 ，作為對照 ，是"能跑"和"跑得快"的取舍，
性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、圖內 PLE 、以及 Ollama / OpenAI 兼容的 HTTP API 。進而在 2-bit 權重上放大路由分歧——所以默認關閉 。文檔寫得很誠實）。現在可以把 TensorSharp 放進 PoC 清單了 。HTTP 遞請求"變成了進程內的一等公民 。全程不需要 Python 環境 、嵌入、可信度比單點宣傳高得多 。架構跟進速度。直接讀取 GGUF 權重 ，
prefill 互有勝負 ：pp2048 2014 vs 2070 ，LM head——整 token 前向組成（幾乎）一張 CUDA graph，全部 48 層 、按形狀鍵控緩存 、為什麽這對 .NET 團隊重要
把這兩次支持放在一起，