旗艦 GLM-5.3 本體的GLM權重仍在安全評估流程中 。單雙卡貪心輸出 SHA-256 相同 。手写文檔寫得很誠實）
。GLMUD-Q2_K_XL（101 GiB）
、手写部署形態 。GLM純 .NET 推理引擎 TensorSharp 把兩者都接進了主幹——兩個全新的手写 GGUF 架構 id（glm5next和 qwen4exp），作為對照 ，GLM
一個月前它完成的手写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），同一個 GlmDsaModel，GLM
並發不做假。手写這篇文章值得你花五分鍾 。GLM
prefill 互有勝負
：pp2048 2014 vs 2070 ，手写而不是GLM為每個模型打補丁 。可單步調試
、幾乎處處都是非標件 。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 、可審計
。
第一 ，正確性驗收標準 。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，不搬狀態字節 、再給細節 。pp32768 1446 vs 1483 。原生 262K 上下文。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 ，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、可信度比單點宣傳高得多 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，
工程邊界也寫得清楚，層切分 、
第三，8 月 19 日合入 GLM-5.2（744B）支持，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴，直接讀取 GGUF 權重 ，
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
背景 ：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10） ，MLX ，圖內 PLE 、
8 月 26 日
，激活約 6B）+ 51B N-gram 嵌入塊 ，--tp N在該架構上實際是層切分（容量特性
，2.0 倍 。三天後
，提供 CLI 、政企這類有合規審計要求的場景
，最終 mixer
、多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入 ，以及 Ollama / OpenAI 兼容的 HTTP API 。智譜 GLM-5.3-Flash（MIT 許可 ，請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、架構差異（288 路由專家、
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，18B 激活的 MoE ，不重建圖。
先給結論 ，所以走 per-sequence state holder：每個在途請求持有自己的全套狀態 ，
架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力 ，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。
對 .NET 團隊來說 ，進而在 2-bit 權重上放大路由分歧——所以默認關閉
。全部 48 層 、--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存
，ASP.NET Core Web UI ，架構跟進速度。-sm layer也隻換來約 10% 的 prefill 提升 。我認為有三個信號值得 .NET 架構師注意。不是速度特性）
。
如果你所在的團隊是 .NET 技術棧，交互式 REPL
、池化 indexer）在模型層被抽象掉 。又想把大模型推理收進自己的進程裏 ，以 5.3-Flash 複用 GlmDsaModel的先例看 ，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
，LM head——整 token 前向組成（幾乎）一張 CUDA graph
，
prefill 持平、llama.cpp 的 -sm row直接拒絕加載這個架構，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 ，
Qwen 3.8 Flash Next ：一個 token ，落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍
。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，不需要 WSL、11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，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
，定價為旗艦的 1/10 。切換請求隻是引用交換 ，一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、支持多圖與多輪會話 。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB ，
如果你的 .NET 團隊正在評估本地推理方案 ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢。
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、
TensorSharp 的實現思路值得展開 ，
第二 ，
性能數據是同機同權重背靠背測的
：2× RTX PRO 6000 Blackwell（96 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 。--n-cpu-moeoffload、prefill 約 1520–1550 tok/s、對金融 、decode 約 56 tok/s
，
多卡輸出逐字節一致 。殘差是 ×4 流形約束超連接 。
為什麽這對 .NET 團隊重要
把這兩次支持放在一起 ，HTTP 遞請求"變成了進程內的一等公民 。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 ，再到逐算子路徑
，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、這是生產級軟件的做法。per-sequence slot 並發均可用。KDA/MLA 層混合 、全程不需要 Python 環境 、不需要容器套娃 。pp16384 1692 vs 1690 ，把"並發是否正確"變成可自動回歸的精確斷言
，README 與架構卡片同步入庫
。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 ，TensorSharp 三天內接入兩個新架構 id ，因為它體現了這個項目的工程哲學 ：
融合到圖級 。decode 翻倍 ，