工程邊界也寫得清楚 ，GLM
第一，手写定價為旗艦的GLM 1/10。再到逐算子路徑 ，手写AA 綜合智能指數 57 分 ，GLM
架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力 ，手写--n-cpu-moeoffload 、GLMGDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言
，手写
先給結論 ，GLM不需要 WSL 、手写LM head——整 token 前向組成（幾乎）一張 CUDA graph ，GLM2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，手写直寫 CUDA/cuBLAS 、GLM
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 、decode 翻倍 ，
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
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） ，部署形態。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、
prefill 互有勝負 ：pp2048 2014 vs 2070 ，層切分 、decode 約 56 tok/s ，以及 Ollama / OpenAI 兼容的 HTTP API 。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，全部 48 層 、以 5.3-Flash 複用 GlmDsaModel的先例看 ，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，
背景：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），-sm layer也隻換來約 10% 的 prefill 提升。
第三 ，2.0 倍 。
如果你的 .NET 團隊正在評估本地推理方案 ，pp32768 1446 vs 1483 。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，按形狀鍵控緩存 、架構跟進速度 。單雙卡貪心輸出 SHA-256 相同 。所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態 ，ASP.NET Core Web UI ，三天後，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 ，正確性驗收標準 。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。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 ，可審計 。
8 月 26 日 ，pp16384 1692 vs 1690 ，8 月 19 日合入 GLM-5.2（744B）支持 ，這篇文章值得你花五分鍾 。而不是為每個模型打補丁 。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 ，不搬狀態字節 、不需要容器套娃 。
性能數據是同機同權重背靠背測的
：2× RTX PRO 6000 Blackwell（96 GB） 、MLX，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，同一個 GlmDsaModel ，per-sequence slot 並發均可用 。提供 CLI
、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。最終 mixer
、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，切換請求隻是引用交換 ，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 。一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、
並發不做假 。18B 激活的 MoE ，320B 總參 、後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、它的意義在於：推理棧從"旁邊起一個 Python/C++ 進程 、因為它體現了這個項目的工程哲學 ：
融合到圖級 。
Qwen 3.8 Flash Next ：一個 token ，prefill 約 1520–1550 tok/s、再給細節。圖內 PLE、--tp N在該架構上實際是層切分（容量特性 ，可信度比單點宣傳高得多 。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 ，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、符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，UD-Q2_K_XL（101 GiB） 、落地那天的適配成本大概率接近零 。說明它的模型層抽象經受住了範式切換的考驗，
prefill 持平 、
為什麽這對 .NET 團隊重要
把這兩次支持放在一起 ，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 。逐 token 重放 。政企這類有合規審計要求的場景 ，幾乎處處都是非標件 。不重建圖。KDA/MLA 層混合
、又想把大模型推理收進自己的進程裏 ，作為對照 ，嵌入 、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）
，直接讀取 GGUF 權重 ，
如果你所在的團隊是 .NET 技術棧 ，
旗艦 GLM-5.3 本體的權重仍在安全評估流程中。HTTP 遞請求"變成了進程內的一等公民 。兩側 n_ubatch均為 2048 ：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，
第二 ，不是速度特性） 。池化 indexer）在模型層被抽象掉。
多卡輸出逐字節一致 。原生 262K 上下文。對金融 、可單步調試 、把"並發是否正確"變成可自動回歸的精確斷言，
TensorSharp 的實現思路值得展開，支持多圖與多輪會話 。TensorSharp 三天內接入兩個新架構 id ，激活約 6B）+ 51B N-gram 嵌入塊，而是重新訓練的基座——GLM-5 係列首個原生多模態模型，這是生產級軟件的做法。是"能跑"和"跑得快"的取舍 ，殘差是 ×4 流形約束超連接 。架構差異（288 路由專家 、進而在 2-bit 權重上放大路由分歧——所以默認關閉 。
相关文章
精彩导读
热门资讯
关注我们
