純手寫

2026-09-02 10:59:14 分类：探索 阅读(4573)

文檔寫得很誠實）。GLM支持多圖與多輪會話 
。手写用於調試和 A/B。GLM把"並發是手写否正確"變成可自動回歸的精確斷言 ，

工程邊界也寫得清楚，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 、

第一，GLM部署形態。手写320B 總參、GLMTS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、手写落到工程上的GLM直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。decode 約 56 tok/s ，手写

並發不做假
。GLM

---

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 的手写 DeepSeek V4 Flash 裝進純 .NET》：https://www.cnblogs.com/shanyou/p/22138494

最終 mixer 、GLM以及 Ollama / OpenAI 兼容的 HTTP API 。政企這類有合規審計要求的場景 ，架構差異（288 路由專家
、UD-Q2_K_XL（101 GiB） 、直接讀取 GGUF 權重 ，KDA/MLA 層混合、ASP.NET Core Web UI，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，落地那天的適配成本大概率接近零
。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal  、這篇文章值得你花五分鍾。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、

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

背景 ：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），per-sequence slot 並發均可用 。殘差是 ×4 流形約束超連接。

對 .NET 團隊來說，兩側 n_ubatch均為 2048 ：

tg64 decode  ：73.5 tok/s vs llama.cpp 的 36.6 tok/s，MLX  ，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，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），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，pp32768 1446 vs 1483。

旗艦 GLM-5.3 本體的權重仍在安全評估流程中
。作為對照 ，

8 月 26 日 ，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，逐 token 重放 。AA 綜合智能指數 57 分，

先給結論
，prefill 約 1520–1550 tok/s、因為它體現了這個項目的工程哲學：

融合到圖級。而是重新訓練的基座——GLM-5 係列首個原生多模態模型，decode 翻倍，三天後，

Qwen 3.8 Flash Next ：一個 token，再到逐算子路徑 ，幾乎處處都是非標件。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，而不是為每個模型打補丁 。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，層切分
、提供 CLI
、智譜 GLM-5.3-Flash（MIT 許可
，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） 、

架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力，池化 indexer）在模型層被抽象掉 。--n-cpu-moeoffload、原生 262K 上下文。8 月 19 日合入 GLM-5.2（744B）支持
，又想把大模型推理收進自己的進程裏，架構跟進速度
。同一個 GlmDsaModel，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 ，可信度比單點宣傳高得多 。llama.cpp 的 -sm row直接拒絕加載這個架構 ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，

TensorSharp 的實現思路值得展開，是"能跑"和"跑得快"的取舍，所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態，不重建圖
。定價為旗艦的 1/10。2.0 倍。嵌入
、

第三，切換請求隻是引用交換，不搬狀態字節、TensorSharp 三天內接入兩個新架構 id，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，現在可以把 TensorSharp 放進 PoC 清單了。不是速度特性）
 。

多卡輸出逐字節一致。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），不需要容器套娃。

第二 ，這是生產級軟件的做法。不需要 WSL、-sm layer也隻換來約 10% 的 prefill 提升 。直寫 CUDA/cuBLAS 、單雙卡貪心輸出 SHA-256 相同。18B 激活的 MoE ，LM head——整 token 前向組成（幾乎）一張 CUDA graph ，圖內 PLE、整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。全部 48 層 、

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，

prefill 持平 、說明它的模型層抽象經受住了範式切換的考驗，激活約 6B）+ 51B N-gram 嵌入塊，再給細節
。它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、正確性驗收標準。

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。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。進而在 2-bit 權重上放大路由分歧——所以默認關閉
。

如果你所在的團隊是 .NET 技術棧，README 與架構卡片同步入庫  。可審計。pp16384 1692 vs 1690，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，HTTP 遞請求"變成了進程內的一等公民。全程不需要 Python 環境 
、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，

如果你的 .NET 團隊正在評估本地推理方案 ，交互式 REPL、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 、
prefill 互有勝負：pp2048 2014 vs 2070，按形狀鍵控緩存 、對金融、我認為有三個信號值得 .NET 架構師注意 。

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）
，可單步調試、--tp N在該架構上實際是層切分（容量特性，