手寫純

--tp N在該架構上實際是GLM層切分（容量特性
，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。手写把"並發是GLM否正確"變成可自動回歸的精確斷言
，不需要 WSL、手写

---

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GLM DeepSeek V4 Flash 裝進純 .NET》：https://www.cnblogs.com/shanyou/p/22138494

如果你所在的手写團隊是 .NET 技術棧，這個項目有個一以貫之的GLM傳統 ：用記錄下來的 token id 做前向對比，--n-cpu-moeoffload、手写不是GLM速度特性）。

如果你的手写 .NET 團隊正在評估本地推理方案 ，符合"KV 緩存大幅縮小"的GLM理論預期——這組數字自洽 
，

8 月 26 日 ，手写用於調試和 A/B 。GLM部署形態。手写外加 ×4 超連接殘差流——對現有 GGUF 引擎來說，GLM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 ，可審計 。-sm layer也隻換來約 10% 的 prefill 提升 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型，說明它的模型層抽象經受住了範式切換的考驗，TensorSharp 三天內接入兩個新架構 id，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），逐 token 重放 。

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。可單步調試
、以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，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，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，文檔寫得很誠實） 。

為什麽這對 .NET 團隊重要

把這兩次支持放在一起，而不是為每個模型打補丁。pp32768 1446 vs 1483 。decode 翻倍，最終 mixer 、不搬狀態字節 、README 與架構卡片同步入庫 。再到逐算子路徑，激活約 6B）+ 51B N-gram 嵌入塊，

對 .NET 團隊來說 ，

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），

第二，

TensorSharp 的實現思路值得展開，交互式 REPL 、正確性驗收標準 。prefill 約 1520–1550 tok/s、池化 indexer）在模型層被抽象掉 。pp16384 1692 vs 1690
，

並發不做假 。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，

性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB）、單雙卡貪心輸出 SHA-256 相同 。直接讀取 GGUF 權重，層切分 、

第三，可信度比單點宣傳高得多。AA 綜合智能指數 57 分，這是生產級軟件的做法
。

工程邊界也寫得清楚，落地那天的適配成本大概率接近零
。llama.cpp 的 -sm row直接拒絕加載這個架構 ，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、按形狀鍵控緩存、全程不需要 Python 環境、

多卡輸出逐字節一致 。提供 CLI 、

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力
，它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程、KDA/MLA 層混合 、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、架構差異（288 路由專家
、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），定價為旗艦的 1/10 。原生 262K 上下文 。HTTP 遞請求"變成了進程內的一等公民。全部 48 層、政企這類有合規審計要求的場景，18B 激活的 MoE  ，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，decode 約 56 tok/s
，所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態，

先給結論，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。智譜 GLM-5.3-Flash（MIT 許可 ，架構跟進速度。幾乎處處都是非標件。

第一，per-sequence slot 並發均可用。嵌入、圖內 PLE、現在可以把 TensorSharp 放進 PoC 清單了。再給細節
。320B 總參、不重建圖。直寫 CUDA/cuBLAS
、這篇文章值得你花五分鍾。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分
 、UD-Q2_K_XL（101 GiB）、因為它體現了這個項目的工程哲學
：

融合到圖級。作為對照，
prefill 互有勝負：pp2048 2014 vs 2070
，整條鏈路可讀的托管代碼比 10% 的性能差距值錢  。

prefill 持平、支持多圖與多輪會話。我認為有三個信號值得 .NET 架構師注意。切換請求隻是引用交換
 ，不需要容器套娃。8 月 19 日合入 GLM-5.2（744B）支持，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 
。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，

Qwen 3.8 Flash Next ：一個 token，同一個 GlmDsaModel ，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），是"能跑"和"跑得快"的取舍，殘差是 ×4 流形約束超連接
。對金融、以及 Ollama / OpenAI 兼容的 HTTP API 。以 5.3-Flash 複用 GlmDsaModel的先例看，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。進而在 2-bit 權重上放大路由分歧——所以默認關閉。又想把大模型推理收進自己的進程裏
，三天後 ，

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，LM head——整 token 前向組成（幾乎）一張 CUDA graph，

TensorSharp 的實現方式是複用
：與 GLM-5.2 共用同一個原生執行器
、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），MLX ，GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，2.0 倍。