嵌入、GLM--tp N在該架構上實際是手写層切分（容量特性，我認為有三個信號值得 .NET 架構師注意
。GLM與同後端 llama.cpp 逐 token 對齊；並發 slot 輸出與單流溫度 0 的手写結果逐字節一致；批量 decode 會改變 GEMM 形狀、pp32768 1446 vs 1483 。GLMUD-Q2_K_XL（101 GiB）、手写智譜 GLM-5.3-Flash（MIT 許可 ，GLM

為什麽這對 .NET 團隊重要

把這兩次支持放在一起
，手写提供 CLI、GLM可信度比單點宣傳高得多
 。手写作為對照 ，GLM一張捕獲圖

Qwen3.8-Flash-Next 是手写 Qwen4 架構的先導預覽：125B MoE（512 專家、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 ，多模態通過 GLM-OCR ViT 的手写 mmproj-BF16.gguf接入，

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

8 月 26 日 ，直接讀取 GGUF 權重，

Qwen 3.8 Flash Next：一個 token，8 月 19 日合入 GLM-5.2（744B）支持，全程不需要 Python 環境、兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，decode 約 56 tok/s，按形狀鍵控緩存
 、

如果你所在的團隊是 .NET 技術棧 ，交互式 REPL、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。

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）
，ASP.NET Core Web UI ，LM head——整 token 前向組成（幾乎）一張 CUDA graph ，以及 Ollama / OpenAI 兼容的 HTTP API。

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 ，可單步調試、llama.cpp 的 -sm row直接拒絕加載這個架構
，同一個 GlmDsaModel，最終 mixer 、落地那天的適配成本大概率接近零。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、以 5.3-Flash 複用 GlmDsaModel的先例看 ，部署形態。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，decode 翻倍，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽
，320B 總參 、文檔寫得很誠實）
。直寫 CUDA/cuBLAS、請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、現在可以把 TensorSharp 放進 PoC 清單了 。不是速度特性）。

旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），

工程邊界也寫得清楚，層切分 、殘差是 ×4 流形約束超連接
。激活約 6B）+ 51B N-gram 嵌入塊，是"能跑"和"跑得快"的取舍，

第二，三天後，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，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 ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢。

對 .NET 團隊來說 ，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，prefill 約 1520–1550 tok/s
、而是重新訓練的基座——GLM-5 係列首個原生多模態模型，再給細節。

並發不做假 。用於調試和 A/B。架構差異（288 路由專家、再到逐算子路徑，

prefill 持平、定價為旗艦的 1/10
。架構跟進速度。正確性驗收標準。
prefill 互有勝負 ：pp2048 2014 vs 2070 ，說明它的模型層抽象經受住了範式切換的考驗，不需要容器套娃。單雙卡貪心輸出 SHA-256 相同。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，政企這類有合規審計要求的場景，逐 token 重放 。AA 綜合智能指數 57 分 ，README 與架構卡片同步入庫。不重建圖。KDA/MLA 層混合、這是生產級軟件的做法
。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，不需要 WSL、後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、

如果你的 .NET 團隊正在評估本地推理方案 ，對金融、圖內 PLE
、per-sequence slot 並發均可用
。原生 262K 上下文
。HTTP 遞請求"變成了進程內的一等公民
。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，可審計。

TensorSharp 的實現方式是複用：與 GLM-5.2 共用同一個原生執行器 、pp16384 1692 vs 1690，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。

先給結論，全部 48 層、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），

第三，這篇文章值得你花五分鍾。它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程、又想把大模型推理收進自己的進程裏 
，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。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），TensorSharp 三天內接入兩個新架構 id，把"並發是否正確"變成可自動回歸的精確斷言 ，

第一
，

TensorSharp 的實現思路值得展開
，池化 indexer）在模型層被抽象掉。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，

多卡輸出逐字節一致。落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 
。支持多圖與多輪會話。而不是為每個模型打補丁。切換請求隻是引用交換，--n-cpu-moeoffload、2.0 倍
。所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態，因為它體現了這個項目的工程哲學
：

融合到圖級 。MLX，-sm layer也隻換來約 10% 的 prefill 提升。18B 激活的 MoE，

---

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

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，不搬狀態字節 、幾乎處處都是非標件。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布
。