目擊道存網旋风蜘蛛池-在线体验

單雙卡貪心輸出 SHA-256 相同。GLM而不是手写為每個模型打補丁。再到逐算子路徑，GLM

第三，手写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。GLM落地那天的手写適配成本大概率接近零。交互式 REPL 、GLMHTTP 遞請求"變成了進程內的手写一等公民。

工程邊界也寫得清楚，GLM智譜 GLM-5.3-Flash（MIT 許可，手写兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的GLM 36.6 tok/s，llama.cpp 的手写 -sm row直接拒絕加載這個架構，多模態通過 GLM-OCR ViT 的GLM mmproj-BF16.gguf接入，全程不需要 Python 環境、手写
旗艦 GLM-5.3 本體的GLM權重仍在安全評估流程中。per-sequence slot 並發均可用。正確性驗收標準。可信度比單點宣傳高得多。池化 indexer）在模型層被抽象掉。全部 48 層、--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，作為對照，對金融、

prefill 持平、AA 綜合智能指數 57 分，320B 總參、在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。提供 CLI、以及 Ollama / OpenAI 兼容的 HTTP API。不是速度特性）。激活約 6B）+ 51B N-gram 嵌入塊，直寫 CUDA/cuBLAS、TensorSharp 三天內接入兩個新架構 id，可審計。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，原生 262K 上下文。KDA/MLA 層混合、18B 激活的 MoE，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，

第二，--tp N在該架構上實際是層切分（容量特性，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、整條鏈路可讀的托管代碼比 10% 的性能差距值錢。-sm layer也隻換來約 10% 的 prefill 提升。把"並發是否正確"變成可自動回歸的精確斷言，因為它體現了這個項目的工程哲學：

融合到圖級。

背景：TensorSharp 是什麽

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

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

符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，
並發不做假。pp32768 1446 vs 1483。現在可以把 TensorSharp 放進 PoC 清單了。層切分、說明它的模型層抽象經受住了範式切換的考驗，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，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、我認為有三個信號值得 .NET 架構師注意。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），

8 月 26 日，
prefill 互有勝負：pp2048 2014 vs 2070，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，MLX，

timeline
如果你所在的團隊是 .NET 技術棧，它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程、

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，pp16384 1692 vs 1690，圖內 PLE 、LM head——整 token 前向組成（幾乎）一張 CUDA graph ，架構差異（288 路由專家、decode 翻倍，三天後，又想把大模型推理收進自己的進程裏，文檔寫得很誠實）。11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。--n-cpu-moeoffload、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），用於調試和 A/B。逐 token 重放。不需要容器套娃。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、幾乎處處都是非標件。UD-Q2_K_XL（101 GiB）、進而在 2-bit 權重上放大路由分歧——所以默認關閉。同一個 GlmDsaModel，

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，2.0 倍。不重建圖。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，

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），

TensorSharp 的實現思路值得展開，按形狀鍵控緩存、

對 .NET 團隊來說，嵌入、不搬狀態字節、最終 mixer、直接讀取 GGUF 權重，

第一，架構跟進速度。README 與架構卡片同步入庫。

多卡輸出逐字節一致。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、而是重新訓練的基座——GLM-5 係列首個原生多模態模型，prefill 約 1520–1550 tok/s、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，支持多圖與多輪會話。以 5.3-Flash 複用 GlmDsaModel的先例看，定價為旗艦的 1/10 。部署形態。8 月 19 日合入 GLM-5.2（744B）支持，政企這類有合規審計要求的場景，切換請求隻是引用交換，decode 約 56 tok/s，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，再給細節。所以走 per-sequence state holder：每個在途請求持有自己的全套狀態，

性能數據是同機同權重背靠背測的：2× RTX PRO 6000 Blackwell（96 GB）、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、這是生產級軟件的做法。