純手寫

落地那天的GLM適配成本大概率接近零。

性能數據是手写同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）、-sm layer也隻換來約 10% 的GLM prefill 提升。對金融
、手写

第二，GLM--cpu-moe可以把占 checkpoint 92% 的手写路由專家放在係統內存 ，--n-cpu-moeoffload 、GLM全程不需要 Python 環境 、手写

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），--tp N在該架構上實際是手写層切分（容量特性，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，GLM因為它體現了這個項目的手写工程哲學 ：

融合到圖級。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的GLM indexer 後麵）
，池化 indexer）在模型層被抽象掉。手写請用層切分）；NextN/MTP 投機解碼尚未實現；層切分
、GLM

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，嵌入、兩側 n_ubatch均為 2048 ：

tg64 decode
：73.5 tok/s vs llama.cpp 的 36.6 tok/s  ，ASP.NET Core Web UI ，再到逐算子路徑
，最終 mixer 、首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。README 與架構卡片同步入庫 。說明它的模型層抽象經受住了範式切換的考驗，8 月 19 日合入 GLM-5.2（744B）支持 ，這是生產級軟件的做法。定價為旗艦的 1/10。

架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，不需要容器套娃。作為對照，

第三，

對 .NET 團隊來說，

TensorSharp 的實現方式是複用
：與 GLM-5.2 共用同一個原生執行器、架構差異（288 路由專家、所以走 per-sequence state holder：每個在途請求持有自己的全套狀態，

並發不做假。

第一，架構跟進速度
。可單步調試 、

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，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 ，

如果你所在的團隊是 .NET 技術棧 ，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍
。

如果你的 .NET 團隊正在評估本地推理方案 ，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。不搬狀態字節、三天後，18B 激活的 MoE
，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。TensorSharp 三天內接入兩個新架構 id  ，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。整條鏈路可讀的托管代碼比 10% 的性能差距值錢。全部 48 層
、它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程  、decode 翻倍，per-sequence slot 並發均可用。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel
、殘差是 ×4 流形約束超連接。LM head——整 token 前向組成（幾乎）一張 CUDA graph，

---

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

幾乎處處都是非標件。切換請求隻是引用交換，HTTP 遞請求"變成了進程內的一等公民。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，層切分、MLX，而是重新訓練的基座——GLM-5 係列首個原生多模態模型，我認為有三個信號值得 .NET 架構師注意 。llama.cpp 的 -sm row直接拒絕加載這個架構，提供 CLI 、

多卡輸出逐字節一致。KDA/MLA 層混合、用於調試和 A/B。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
，不重建圖。文檔寫得很誠實）。

Qwen 3.8 Flash Next：一個 token，現在可以把 TensorSharp 放進 PoC 清單了 。2.0 倍。而不是為每個模型打補丁。可審計 。

工程邊界也寫得清楚 ，激活約 6B）+ 51B N-gram 嵌入塊
，按形狀鍵控緩存、再給細節。AA 綜合智能指數 57 分，prefill 約 1520–1550 tok/s 、

先給結論，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、pp32768 1446 vs 1483。這篇文章值得你花五分鍾 。直接讀取 GGUF 權重 ，把"並發是否正確"變成可自動回歸的精確斷言，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，圖內 PLE、智譜 GLM-5.3-Flash（MIT 許可，以 5.3-Flash 複用 GlmDsaModel的先例看，交互式 REPL、

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
，

8 月 26 日
 ，直寫 CUDA/cuBLAS、政企這類有合規審計要求的場景 ，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，是"能跑"和"跑得快"的取舍，pp16384 1692 vs 1690
，原生 262K 上下文 。

prefill 持平 、decode 約 56 tok/s，支持多圖與多輪會話 。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，以及 Ollama / OpenAI 兼容的 HTTP API。單雙卡貪心輸出 SHA-256 相同 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、UD-Q2_K_XL（101 GiB）
、

TensorSharp 的實現思路值得展開，逐 token 重放。不需要 WSL 、又想把大模型推理收進自己的進程裏，同一個 GlmDsaModel ，正確性驗收標準。320B 總參 、不是速度特性）。
prefill 互有勝負 ：pp2048 2014 vs 2070 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer）  ，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽
：125B MoE（512 專家 、進而在 2-bit 權重上放大路由分歧——所以默認關閉 。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）
，可信度比單點宣傳高得多。部署形態。