目擊道存網純手寫
Qwen3.8-Flash-Next 是GLM Qwen4 架構的先導預覽 ：125B MoE（512 專家 、讓顯存不足的手写機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s，
並發不做假 。GLM整條鏈路可讀的手写托管代碼比 10% 的性能差距值錢
。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。GLMTS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、手写以及 Ollama / OpenAI 兼容的GLM HTTP API
。交互式 REPL 、手写MLX，GLM落地那天的手写適配成本大概率接近零 。11 層用 NoPE MLA + 稀疏注意力（pool 化的GLM lightning indexer），定價為旗艦的手写 1/10
。
如果你的GLM .NET 團隊正在評估本地推理方案 ，智譜 GLM-5.3-Flash（MIT 許可 ，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 。
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。
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 ，原生 262K 上下文 。
工程邊界也寫得清楚，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，池化 indexer）在模型層被抽象掉。作為對照，全程不需要 Python 環境
、不重建圖 。它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程 、
TensorSharp 的實現思路值得展開 ，320B 總參、LM head——整 token 前向組成（幾乎）一張 CUDA graph
，而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、可審計 。-sm layer也隻換來約 10% 的 prefill 提升 。提供 CLI 、直寫 CUDA/cuBLAS 、不搬狀態字節、TensorSharp 三天內接入兩個新架構 id
，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、ASP.NET Core Web UI ，因為它體現了這個項目的工程哲學 ：
融合到圖級 。2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，對金融、
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器、
prefill 互有勝負：pp2048 2014 vs 2070
，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，
為什麽這對 .NET 團隊重要
把這兩次支持放在一起 ，AA 綜合智能指數 57 分 ，可信度比單點宣傳高得多 。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，文檔寫得很誠實） 。用於調試和 A/B 。
第一 ，
背景 ：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10） ，切換請求隻是引用交換 ，這篇文章值得你花五分鍾
。KDA/MLA 層混合 、我認為有三個信號值得 .NET 架構師注意 。decode 翻倍
，UD-Q2_K_XL（101 GiB） 、pp16384 1692 vs 1690，又想把大模型推理收進自己的進程裏，單雙卡貪心輸出 SHA-256 相同
。架構跟進速度
。現在可以把 TensorSharp 放進 PoC 清單了
。三天後
，llama.cpp 的 -sm row直接拒絕加載這個架構
，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 ，最終 mixer、--tp N在該架構上實際是層切分（容量特性 ，
第二 ，是"能跑"和"跑得快"的取舍 ，殘差是 ×4 流形約束超連接 。圖內 PLE 、所以走 per-sequence state holder
：每個在途請求持有自己的全套狀態 ，嵌入 、2.0 倍 。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），進而在 2-bit 權重上放大路由分歧——所以默認關閉
。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），層切分 、不需要 WSL
、HTTP 遞請求"變成了進程內的一等公民
。部署形態 。18B 激活的 MoE
，per-sequence slot 並發均可用 。
prefill 持平、直接讀取 GGUF 權重 ，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說
，按形狀鍵控緩存、兩側 n_ubatch均為 2048 ：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，
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 。
如果你所在的團隊是 .NET 技術棧 ，說明它的模型層抽象經受住了範式切換的考驗 ，正確性驗收標準 。decode 約 56 tok/s ，pp32768 1446 vs 1483 。這是生產級軟件的做法 。架構差異（288 路由專家 、再到逐算子路徑 ，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） ，激活約 6B）+ 51B N-gram 嵌入塊 ，政企這類有合規審計要求的場景，多模態通過 GLM-OCR ViT 的
mmproj-BF16.gguf接入 ，不是速度特性） 。把"並發是否正確"變成可自動回歸的精確斷言 ，性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、
參考資料（截至 2026-08-29） ：
可單步調試 、幾乎處處都是非標件 。再給細節 。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。以 5.3-Flash 複用
- 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
GlmDsaModel的先例看 ，不需要容器套娃 。--n-cpu-moeoffload 、架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力 ，prefill 約 1520–1550 tok/s 、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，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，8 月 26 日 ，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 、8 月 19 日合入 GLM-5.2（744B）支持，
對 .NET 團隊來說 ，README 與架構卡片同步入庫 。同一個
GlmDsaModel，多卡輸出逐字節一致 。而不是為每個模型打補丁 。
第三 ，逐 token 重放。
先給結論 ，
Qwen 3.8 Flash Next ：一個 token，全部 48 層 、支持多圖與多輪會話 。
