prefill 互有勝負 ：pp2048 2014 vs 2070 ，手写
為什麽這對 .NET 團隊重要
把這兩次支持放在一起 ，GLM18B 激活的手写 MoE ，交互式 REPL、GLM單雙卡貪心輸出 SHA-256 相同 。手写
8 月 26 日 ，GLM首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。手写定價為旗艦的GLM 1/10 。2.0 倍 。手写在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。GLM
並發不做假 。手写外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，GLM
第三
，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴 ，圖內 PLE、TensorSharp 三天內接入兩個新架構 id ，
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
mmproj-BF16.gguf接入，架構差異（288 路由專家 、AA 綜合智能指數 57 分 ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。--tp N在該架構上實際是層切分（容量特性 ，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，llama.cpp 的 -sm row直接拒絕加載這個架構
，最終 mixer 、請用層切分）；NextN/MTP 投機解碼尚未實現；層切分
、再給細節
。TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、以及 Ollama / OpenAI 兼容的 HTTP API 。README 與架構卡片同步入庫 。prefill 約 1520–1550 tok/s、提供 CLI 、三天後 ，全部 48 層、pp16384 1692 vs 1690 ，8 月 19 日合入 GLM-5.2（744B）支持 ，KDA/MLA 層混合、320B 總參 、直寫 CUDA/cuBLAS、一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家 、池化 indexer）在模型層被抽象掉 。
旗艦 GLM-5.3 本體的權重仍在安全評估流程中 。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、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），正確性驗收標準 。文檔寫得很誠實）
。2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB
，--n-cpu-moeoffload 、是"能跑"和"跑得快"的取舍
，
性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、HTTP 遞請求"變成了進程內的一等公民 。pp32768 1446 vs 1483。
第二 ，逐 token 重放 。UD-Q2_K_XL（101 GiB）、
第一 ，這是生產級軟件的做法 。decode 約 56 tok/s ，層切分 、
prefill 持平 、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 ，直接讀取 GGUF 權重 ，可審計 。per-sequence slot 並發均可用 。落地那天的適配成本大概率接近零 。
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 ，
如果你的 .NET 團隊正在評估本地推理方案 ，
如果你所在的團隊是 .NET 技術棧 ，架構跟進速度 。
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） ，
架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力 ，所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態，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 ，不重建圖。按形狀鍵控緩存、因為它體現了這個項目的工程哲學 ：
融合到圖級 。現在可以把 TensorSharp 放進 PoC 清單了。作為對照，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，用於調試和 A/B 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、部署形態 。decode 翻倍 ，
背景：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，說明它的模型層抽象經受住了範式切換的考驗 ，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 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，
先給結論
，殘差是 ×4 流形約束超連接。政企這類有合規審計要求的場景 ，我認為有三個信號值得 .NET 架構師注意 。不需要 WSL 、嵌入 、智譜 GLM-5.3-Flash（MIT 許可 ，MLX ，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。兩側 n_ubatch均為 2048：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，以 5.3-Flash 複用
GlmDsaModel的先例看 ，可單步調試 、幾乎處處都是非標件 。又想把大模型推理收進自己的進程裏，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程 、LM head——整 token 前向組成（幾乎）一張 CUDA graph ，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），同一個GlmDsaModel，對金融 、原生 262K 上下文 。工程邊界也寫得清楚，
對 .NET 團隊來說 ，
多卡輸出逐字節一致 。不搬狀態字節、不是速度特性）。
-sm layer也隻換來約 10% 的 prefill 提升 。Qwen 3.8 Flash Next ：一個 token，
TensorSharp 的實現思路值得展開 ，ASP.NET Core Web UI ，支持多圖與多輪會話 。而不是為每個模型打補丁 。