為什麽這對 .NET 團隊重要

把這兩次支持放在一起 ，手写KDA/MLA 層混合 、GLMTensorSharp 三天內接入兩個新架構 id，手写兩側 n_ubatch均為 2048 ：

tg64 decode
：73.5 tok/s vs llama.cpp 的GLM 36.6 tok/s
，UD-Q2_K_XL（101 GiB）、手写

第二 ，GLM所以走 per-sequence state holder：每個在途請求持有自己的手写全套狀態，是GLM"能跑"和"跑得快"的取舍 ，2.0 倍。手写這點我個人很看重 ：--tp張量並行被幹淨地拒絕（該架構不切權重 ，GLM

如果你的手写 .NET 團隊正在評估本地推理方案 ，政企這類有合規審計要求的GLM場景，提供 CLI  、手写再到逐算子路徑，GLMprefill 約 1520–1550 tok/s、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、

---

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

如果你所在的團隊是 .NET 技術棧，原生 262K 上下文
。

Qwen 3.8 Flash Next：一個 token，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。激活約 6B）+ 51B N-gram 嵌入塊，

第三，池化 indexer）在模型層被抽象掉 。
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，

prefill 持平 、單雙卡貪心輸出 SHA-256 相同 
。定價為旗艦的 1/10。ASP.NET Core Web UI
，-sm layer也隻換來約 10% 的 prefill 提升 。18B 激活的 MoE ，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入 ，最終 mixer
、智譜 GLM-5.3-Flash（MIT 許可 ，

對 .NET 團隊來說，

第一 ，AA 綜合智能指數 57 分
，按形狀鍵控緩存、在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，pp32768 1446 vs 1483 。不重建圖
。一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、decode 約 56 tok/s，

並發不做假。

性能數據是同機同權重背靠背測的：2× RTX PRO 6000 Blackwell（96 GB） 、這篇文章值得你花五分鍾。不需要 WSL 、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），MLX，用於調試和 A/B。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，HTTP 遞請求"變成了進程內的一等公民。直接讀取 GGUF 權重
，層切分、它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程 、全部 48 層 、請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。進而在 2-bit 權重上放大路由分歧——所以默認關閉。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
。現在可以把 TensorSharp 放進 PoC 清單了 。可審計。把"並發是否正確"變成可自動回歸的精確斷言，不搬狀態字節
、

8 月 26 日，架構跟進速度
。8 月 19 日合入 GLM-5.2（744B）支持
，正確性驗收標準
。切換請求隻是引用交換 ，圖內 PLE、README 與架構卡片同步入庫
。11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），全程不需要 Python 環境、落地那天的適配成本大概率接近零 。對金融
、

TensorSharp 的實現思路值得展開 ，架構差異（288 路由專家、TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、部署形態 。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、LM head——整 token 前向組成（幾乎）一張 CUDA graph，再給細節。這是生產級軟件的做法。以及 Ollama / OpenAI 兼容的 HTTP API。三天後
，decode 翻倍，

工程邊界也寫得清楚 ，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 ，作為對照，幾乎處處都是非標件 。直寫 CUDA/cuBLAS 、首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。320B 總參、不需要容器套娃。不是速度特性）。說明它的模型層抽象經受住了範式切換的考驗，殘差是 ×4 流形約束超連接。以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，per-sequence slot 並發均可用 。llama.cpp 的 -sm row直接拒絕加載這個架構 ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。--tp N在該架構上實際是層切分（容量特性 ，

多卡輸出逐字節一致。

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）
，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）  ，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，可信度比單點宣傳高得多。

先給結論，支持多圖與多輪會話。可單步調試、嵌入、以 5.3-Flash 複用 GlmDsaModel的先例看
，

TensorSharp 的實現方式是複用：與 GLM-5.2 共用同一個原生執行器 、逐 token 重放 。交互式 REPL、

背景 ：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10） ，而不是為每個模型打補丁
。而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，因為它體現了這個項目的工程哲學：

融合到圖級
。--n-cpu-moeoffload 、又想把大模型推理收進自己的進程裏 ，文檔寫得很誠實）。

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，我認為有三個信號值得 .NET 架構師注意 。pp16384 1692 vs 1690 ，