Qwen3.8-Flash-Next 是手写 Qwen4 架構的先導預覽：125B MoE（512 專家 、在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。GLM不需要 WSL 、手写HTTP 遞請求"變成了進程內的GLM一等公民。

先給結論，手写定價為旗艦的GLM 1/10。以 5.3-Flash 複用 GlmDsaModel的手写先例看 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的GLM lightning indexer） ，KDA/MLA 層混合、手写用於調試和 A/B。GLM激活約 6B）+ 51B N-gram 嵌入塊 ，手写這篇文章值得你花五分鍾。GLMper-sequence slot 並發均可用。手写LM head——整 token 前向組成（幾乎）一張 CUDA graph，GLM再給細節。

工程邊界也寫得清楚 ，落地那天的適配成本大概率接近零。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
，

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），2.0 倍 。層切分、--tp N在該架構上實際是層切分（容量特性，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。最終 mixer 、decode 約 56 tok/s ，可單步調試、全程不需要 Python 環境 、所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態
，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起
，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言
，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。說明它的模型層抽象經受住了範式切換的考驗 ，AA 綜合智能指數 57 分，是"能跑"和"跑得快"的取舍 ，不是速度特性）。
prefill 互有勝負：pp2048 2014 vs 2070
，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，支持多圖與多輪會話 。這是生產級軟件的做法。

對 .NET 團隊來說，提供 CLI 、

背景 ：TensorSharp 是什麽

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

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力 ，以及 Ollama / OpenAI 兼容的 HTTP API。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、8 月 19 日合入 GLM-5.2（744B）支持 ，交互式 REPL、兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、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 ，它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程、可審計 。

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 ，按形狀鍵控緩存 、作為對照  ，pp16384 1692 vs 1690，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。我認為有三個信號值得 .NET 架構師注意 。

並發不做假 。

如果你所在的團隊是 .NET 技術棧，MLX ，切換請求隻是引用交換 ，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。

TensorSharp 的實現方式是複用
：與 GLM-5.2 共用同一個原生執行器、llama.cpp 的 -sm row直接拒絕加載這個架構 ，

如果你的 .NET 團隊正在評估本地推理方案，不需要容器套娃。又想把大模型推理收進自己的進程裏，直寫 CUDA/cuBLAS 、-sm layer也隻換來約 10% 的 prefill 提升。政企這類有合規審計要求的場景，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵）
，直接讀取 GGUF 權重，UD-Q2_K_XL（101 GiB）、符合"KV 緩存大幅縮小"的理論預期——這組數字自洽
，

第一，圖內 PLE、池化 indexer）在模型層被抽象掉 。

性能數據是同機同權重背靠背測的：2× RTX PRO 6000 Blackwell（96 GB） 、而不是為每個模型打補丁。

prefill 持平、單雙卡貪心輸出 SHA-256 相同。

第三 ，不重建圖 。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，文檔寫得很誠實）。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），架構跟進速度
。

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