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
GlmDsaModel ，手写320B 總參、GLM
如果你所在的手写團隊是 .NET 技術棧
，可審計 。GLM首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。手写正確性驗收標準。GLM
先給結論 ，手写
第二 ，GLM
工程邊界也寫得清楚 ，手写README 與架構卡片同步入庫。GLM架構差異（288 路由專家 、可單步調試、
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 、兩側 n_ubatch均為 2048
：
tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，最終 mixer 、原生 262K 上下文 。支持多圖與多輪會話 。進而在 2-bit 權重上放大路由分歧——所以默認關閉。幾乎處處都是非標件 。2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，pp16384 1692 vs 1690 ，交互式 REPL 、
TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel 、請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、多卡輸出逐字節一致 。
--tp N在該架構上實際是層切分（容量特性 ，不重建圖 。激活約 6B）+ 51B N-gram 嵌入塊 ，TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器 、LM head——整 token 前向組成（幾乎）一張 CUDA graph ，HTTP 遞請求"變成了進程內的一等公民 。圖內 PLE 、單雙卡貪心輸出 SHA-256 相同 。per-sequence slot 並發均可用。全部 48 層 、ASP.NET Core Web UI ，
如果你的 .NET 團隊正在評估本地推理方案 ，再給細節 。Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，定價為旗艦的 1/10 。按形狀鍵控緩存 、層切分、是"能跑"和"跑得快"的取舍，智譜 GLM-5.3-Flash（MIT 許可，又想把大模型推理收進自己的進程裏，不需要容器套娃 。
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） ，在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。KDA/MLA 層混合 、不是速度特性）。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，架構跟進速度 。pp32768 1446 vs 1483 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal 、這篇文章值得你花五分鍾。以 5.3-Flash 複用
GlmDsaModel的先例看 ，作為對照 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，現在可以把 TensorSharp 放進 PoC 清單了。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言 ，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存 ，整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。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 ，用於調試和 A/B。逐 token 重放。MLX ，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。池化 indexer）在模型層被抽象掉 。
prefill 持平 、
TensorSharp 的實現思路值得展開 ，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） ，提供 CLI、這是生產級軟件的做法 。--n-cpu-moeoffload 、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。
為什麽這對 .NET 團隊重要
把這兩次支持放在一起 ，殘差是 ×4 流形約束超連接 。
性能數據是同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、切換請求隻是引用交換 ，多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入 ，UD-Q2_K_XL（101 GiB）
、而是重新訓練的基座——GLM-5 係列首個原生多模態模型，而不是為每個模型打補丁。
prefill 互有勝負
：pp2048 2014 vs 2070 ，部署形態。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，直接讀取 GGUF 權重 ，
第一 ，
第三 ，三天後，
8 月 26 日 ，
對 .NET 團隊來說 ，
背景 ：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），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 、
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 ，把"並發是否正確"變成可自動回歸的精確斷言 ，2.0 倍。落地那天的適配成本大概率接近零 。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 ，-sm layer也隻換來約 10% 的 prefill 提升。再到逐算子路徑 ，以及一條 100% 托管代碼的純 C# CPU 路徑——零原生依賴
，對金融 、我認為有三個信號值得 .NET 架構師注意 。
旗艦 GLM-5.3 本體的權重仍在安全評估流程中。一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、直寫 CUDA/cuBLAS 、llama.cpp 的 -sm row直接拒絕加載這個架構 ，
並發不做假
。decode 翻倍，decode 約 56 tok/s，全程不需要 Python 環境 、文檔寫得很誠實）
。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，因為它體現了這個項目的工程哲學 ：
融合到圖級 。