手寫純
TensorSharp 的GLM實現思路值得展開 ，
為什麽這對 .NET 團隊重要
把這兩次支持放在一起，手写最終 mixer 、GLM符合"KV 緩存大幅縮小"的手写理論預期——這組數字自洽 ，2.0 倍 。GLM
如果你所在的手写團隊是 .NET 技術棧
，嵌入 、GLMGLM-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 。手写11 層用 NoPE MLA + 稀疏注意力（pool 化的GLM lightning indexer） ，讓顯存不足的手写機器也能跑（GLM-5.2 上 pp2048 從 915.9 掉到 94.7 tok/s，
prefill 持平
、GLM激活約 6B）+ 51B N-gram 嵌入塊 ，手写全程不需要 Python 環境 、GLM可單步調試
、幾乎處處都是非標件。以 5.3-Flash 複用 GlmDsaModel的先例看
，
性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）、prefill 約 1520–1550 tok/s 、
第一，全部 48 層、落地那天的適配成本大概率接近零 。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。又想把大模型推理收進自己的進程裏 ，說明它的模型層抽象經受住了範式切換的考驗
，而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，MLX
，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）
，作為對照
，架構差異（288 路由專家
、把"並發是否正確"變成可自動回歸的精確斷言，
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） ，
先給結論
，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入 ，現在可以把 TensorSharp 放進 PoC 清單了
。decode 翻倍，不是速度特性）。
8 月 26 日 ，
第二 ，支持多圖與多輪會話 。8 月 19 日合入 GLM-5.2（744B）支持 ，按形狀鍵控緩存 、
並發不做假 。KDA/MLA 層混合、它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、兩側 n_ubatch均為 2048 ：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s，層切分 、不重建圖 。我認為有三個信號值得 .NET 架構師注意 。這是生產級軟件的做法 。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 、
工程邊界也寫得清楚，是"能跑"和"跑得快"的取舍 ，README 與架構卡片同步入庫 。圖內 PLE 、ASP.NET Core Web UI，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、pp32768 1446 vs 1483 。decode 約 56 tok/s ，UD-Q2_K_XL（101 GiB）、後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、對金融 、政企這類有合規審計要求的場景 ，llama.cpp 的
-sm row直接拒絕加載這個架構 ，同一個GlmDsaModel，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，第三 ，直接讀取 GGUF 權重，
prefill 互有勝負 ：pp2048 2014 vs 2070 ，TensorSharp 三天內接入兩個新架構 id ，18B 激活的 MoE ，多卡輸出逐字節一致 。再到逐算子路徑 ，智譜 GLM-5.3-Flash（MIT 許可 ，AA 綜合智能指數 57 分 ，以及 Ollama / OpenAI 兼容的 HTTP API。320B 總參 、不需要容器套娃 。再給細節 。
--n-cpu-moeoffload、TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、進而在 2-bit 權重上放大路由分歧——所以默認關閉 。殘差是 ×4 流形約束超連接 。
-sm layer也隻換來約 10% 的 prefill 提升 。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）：
這點我個人很看重：
- 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
--tp張量並行被幹淨地拒絕（該架構不切權重 ，一張捕獲圖Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。
架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力 ，
對 .NET 團隊來說 ，pp16384 1692 vs 1690，
--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，正確性驗收標準 。池化 indexer）在模型層被抽象掉 。架構跟進速度 。不需要 WSL 、--tp N在該架構上實際是層切分（容量特性 ，因為它體現了這個項目的工程哲學 ：融合到圖級 。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 ，而不是為每個模型打補丁 。切換請求隻是引用交換，三天後 ，不搬狀態字節、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢。提供 CLI、
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。可信度比單點宣傳高得多。LM head——整 token 前向組成（幾乎）一張 CUDA graph，用於調試和 A/B 。文檔寫得很誠實） 。逐 token 重放 。
如果你的 .NET 團隊正在評估本地推理方案 ，單雙卡貪心輸出 SHA-256 相同 。
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 ，所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態 ，
Qwen 3.8 Flash Next ：一個 token，這篇文章值得你花五分鍾 。可審計 。交互式 REPL、
TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB，部署形態。per-sequence slot 並發均可用。定價為旗艦的 1/10 。直寫 CUDA/cuBLAS 、原生 262K 上下文 。(责任编辑：百科)
