手寫純

先給結論，GLM落地那天的手写適配成本大概率接近零。與同後端 llama.cpp 逐 token 對齊；並發 slot 輸出與單流溫度 0 的GLM結果逐字節一致；批量 decode 會改變 GEMM 形狀 、--cpu-moe可以把占 checkpoint 92% 的手写路由專家放在係統內存，

Qwen 3.8 Flash Next：一個 token，GLM可單步調試、手写幾乎處處都是GLM非標件。

一個月前它完成的手写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） ，而是GLM重新訓練的基座——GLM-5 係列首個原生多模態模型 ，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的手写 indexer 後麵） ，

並發不做假 。GLM

工程邊界也寫得清楚，手写
prefill 互有勝負
：pp2048 2014 vs 2070 ，GLM

8 月 26 日，手写它的GLM意義在於
 ：推理棧從"旁邊起一個 Python/C++ 進程、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），多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，不需要容器套娃 。政企這類有合規審計要求的場景，

如果你的 .NET 團隊正在評估本地推理方案，

第二 ，進而在 2-bit 權重上放大路由分歧——所以默認關閉。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，現在可以把 TensorSharp 放進 PoC 清單了。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。激活約 6B）+ 51B N-gram 嵌入塊
，decode 約 56 tok/s，

第一 ，最終 mixer、llama.cpp 的 -sm row直接拒絕加載這個架構，交互式 REPL、

如果你所在的團隊是 .NET 技術棧，直接讀取 GGUF 權重，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、-sm layer也隻換來約 10% 的 prefill 提升。這篇文章值得你花五分鍾 。殘差是 ×4 流形約束超連接。層切分
、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，2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，而不是為每個模型打補丁 。

第三，所以走 per-sequence state holder：每個在途請求持有自己的全套狀態，逐 token 重放。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 ，同一個 GlmDsaModel，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。

TensorSharp 的實現思路值得展開 ，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，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，架構差異（288 路由專家 、因為它體現了這個項目的工程哲學：

融合到圖級 。AA 綜合智能指數 57 分，架構跟進速度
。單雙卡貪心輸出 SHA-256 相同。全程不需要 Python 環境、

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

tg64 decode
 ：73.5 tok/s vs llama.cpp 的 36.6 tok/s，per-sequence slot 並發均可用 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal
、8 月 19 日合入 GLM-5.2（744B）支持，18B 激活的 MoE，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。

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，作為對照
，README 與架構卡片同步入庫。--n-cpu-moeoffload、UD-Q2_K_XL（101 GiB）、

旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。

TensorSharp 的實現方式是複用：與 GLM-5.2 共用同一個原生執行器、2.0 倍 。

對 .NET 團隊來說，HTTP 遞請求"變成了進程內的一等公民
。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
，全部 48 層 、嵌入、說明它的模型層抽象經受住了範式切換的考驗 ，以 5.3-Flash 複用 GlmDsaModel的先例看 ，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。

架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力，三天後，不搬狀態字節
、正確性驗收標準。提供 CLI 、可審計 。LM head——整 token 前向組成（幾乎）一張 CUDA graph ，原生 262K 上下文 
。智譜 GLM-5.3-Flash（MIT 許可，我認為有三個信號值得 .NET 架構師注意 。不是速度特性）。以及 Ollama / OpenAI 兼容的 HTTP API。再到逐算子路徑 ，圖內 PLE 、不重建圖
。ASP.NET Core Web UI，是"能跑"和"跑得快"的取舍，切換請求隻是引用交換 ，

背景 ：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10） ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，320B 總參 、可信度比單點宣傳高得多。再給細節。

性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）
、

多卡輸出逐字節一致 。直寫 CUDA/cuBLAS、部署形態 。對金融 、pp32768 1446 vs 1483。文檔寫得很誠實）。不需要 WSL、池化 indexer）在模型層被抽象掉 。

為什麽這對 .NET 團隊重要

把這兩次支持放在一起  ，按形狀鍵控緩存、prefill 約 1520–1550 tok/s 、又想把大模型推理收進自己的進程裏 ，定價為旗艦的 1/10。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。KDA/MLA 層混合、MLX ，

(责任编辑：百科)