目擊道存網純手寫
-sm row直接拒絕加載這個架構 ，直寫 CUDA/cuBLAS 、手写per-sequence slot 並發均可用。GLMUD-Q2_K_XL（101 GiB）
、手写不搬狀態字節 、GLM這篇文章值得你花五分鍾 。手写池化 indexer）在模型層被抽象掉
。GLM在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。手写支持多圖與多輪會話 。GLM以 5.3-Flash 複用 GlmDsaModel的手写先例看 ，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel
、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、智譜 GLM-5.3-Flash（MIT 許可 ，GLM外加 ×4 超連接殘差流——對現有 GGUF 引擎來說
，手写decode 約 56 tok/s，GLM性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、架構差異（288 路由專家 、符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，又想把大模型推理收進自己的進程裏 ，18B 激活的 MoE ，README 與架構卡片同步入庫 。decode 翻倍 ，AA 綜合智能指數 57 分 ，HTTP 遞請求"變成了進程內的一等公民。
多卡輸出逐字節一致 。整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。政企這類有合規審計要求的場景， 把這兩次支持放在一起 ，
如果你所在的團隊是 .NET 技術棧，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、為什麽這對 .NET 團隊重要
prefill 互有勝負
：pp2048 2014 vs 2070 ，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 ，
先給結論 ，prefill 約 1520–1550 tok/s、不需要容器套娃 。是"能跑"和"跑得快"的取舍，
第一 ，同一個 Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽
：125B MoE（512 專家、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴
， 8 月 26 日 ，2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB，切換請求隻是引用交換 ， 並發不做假 。按形狀鍵控緩存
、而不是為每個模型打補丁。 如果你的 .NET 團隊正在評估本地推理方案，落地那天的適配成本大概率接近零 。GlmDsaModel ，再給細節 。一張捕獲圖
第二 ，它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、幾乎處處都是非標件。
背景 ：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），嵌入 、再到逐算子路徑，不需要 WSL 、全程不需要 Python 環境、--tp N在該架構上實際是層切分（容量特性 ，以及 Ollama / OpenAI 兼容的 HTTP API 。ASP.NET Core Web UI，全部 48 層
、而是重新訓練的基座——GLM-5 係列首個原生多模態模型
，
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） ，320B 總參 、首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，對金融 、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。三天後
，MLX
，定價為旗艦的 1/10
。圖內 PLE 、
第三 ，8 月 19 日合入 GLM-5.2（744B）支持
，把"並發是否正確"變成可自動回歸的精確斷言
，說明它的模型層抽象經受住了範式切換的考驗 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，可單步調試、可信度比單點宣傳高得多 。-sm layer也隻換來約 10% 的 prefill 提升。pp32768 1446 vs 1483
。
prefill 持平 、
架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力 ，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。
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，因為它體現了這個項目的工程哲學 ：
融合到圖級。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、KDA/MLA 層混合 、GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，殘差是 ×4 流形約束超連接 。用於調試和 A/B。可審計 。部署形態。直接讀取 GGUF 權重，原生 262K 上下文 。
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
，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） ，逐 token 重放 。
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。單雙卡貪心輸出 SHA-256 相同。
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
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 ，不重建圖。多模態通過 GLM-OCR ViT 的
mmproj-BF16.gguf接入 ，提供 CLI 、激活約 6B）+ 51B N-gram 嵌入塊，層切分 、正確性驗收標準 。Qwen 3.8 Flash Next ：一個 token ，架構跟進速度 。
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器、交互式 REPL 、
工程邊界也寫得清楚 ，
--n-cpu-moeoffload、作為對照 ，pp16384 1692 vs 1690 ，現在可以把 TensorSharp 放進 PoC 清單了 。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，這是生產級軟件的做法 。
