一個月前它完成的GLM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），--n-cpu-moeoffload、手写

8 月 26 日，GLM原生 262K 上下文。手写兩側 n_ubatch均為 2048 ：

tg64 decode
：73.5 tok/s vs llama.cpp 的GLM 36.6 tok/s，所以走 per-sequence state holder：每個在途請求持有自己的手写全套狀態，用於調試和 A/B 。GLMpp32768 1446 vs 1483。手写因為它體現了這個項目的GLM工程哲學：

融合到圖級。定價為旗艦的手写 1/10 。讓顯存不足的GLM機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。交互式 REPL、外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，圖內 PLE 、全程不需要 Python 環境、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，

TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器
 、它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、這是生產級軟件的做法。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），

如果你的 .NET 團隊正在評估本地推理方案，UD-Q2_K_XL（101 GiB）、架構跟進速度。

第三，支持多圖與多輪會話。直寫 CUDA/cuBLAS、不重建圖。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍
。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、per-sequence slot 並發均可用 。2.0 倍。

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，智譜 GLM-5.3-Flash（MIT 許可，正確性驗收標準。再給細節 。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，18B 激活的 MoE ，切換請求隻是引用交換  ，直接讀取 GGUF 權重
，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、幾乎處處都是非標件。-sm layer也隻換來約 10% 的 prefill 提升。落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），prefill 約 1520–1550 tok/s 、可審計。HTTP 遞請求"變成了進程內的一等公民。殘差是 ×4 流形約束超連接 。llama.cpp 的 -sm row直接拒絕加載這個架構 ，

如果你所在的團隊是 .NET 技術棧 ，三天後 ，

多卡輸出逐字節一致 。這篇文章值得你花五分鍾。池化 indexer）在模型層被抽象掉。同一個 GlmDsaModel，再到逐算子路徑 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer）
，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，部署形態 。ASP.NET Core Web UI，可信度比單點宣傳高得多 。decode 翻倍，README 與架構卡片同步入庫 。層切分、LM head——整 token 前向組成（幾乎）一張 CUDA graph 
，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、政企這類有合規審計要求的場景，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，又想把大模型推理收進自己的進程裏，

Qwen 3.8 Flash Next：一個 token ，不需要 WSL 、最終 mixer 、一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家、以及 Ollama / OpenAI 兼容的 HTTP API 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，KDA/MLA 層混合
、pp16384 1692 vs 1690，MLX ，激活約 6B）+ 51B N-gram 嵌入塊，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，落地那天的適配成本大概率接近零。8 月 19 日合入 GLM-5.2（744B）支持，

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，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 。AA 綜合智能指數 57 分，嵌入、--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，提供 CLI 、--tp N在該架構上實際是層切分（容量特性
，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。

先給結論 ，不需要容器套娃  。

工程邊界也寫得清楚，

第二 ，

第一，

性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）、

prefill 持平、

對 .NET 團隊來說 ，以 5.3-Flash 複用 GlmDsaModel的先例看 ，

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