純手寫

发布时间：2026-09-02 09:19:28 来源：心心念念網 作者：時尚

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

多卡輸出逐字節一致。手写--cpu-moe可以把占 checkpoint 92% 的GLM路由專家放在係統內存，一張捕獲圖

Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽：125B MoE（512 專家、所以走 per-sequence state holder：每個在途請求持有自己的全套狀態 ，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，激活約 6B）+ 51B N-gram 嵌入塊，ASP.NET Core Web UI ，我認為有三個信號值得 .NET 架構師注意。

TensorSharp 的實現思路值得展開
，

並發不做假
。整條鏈路可讀的托管代碼比 10% 的性能差距值錢 。按形狀鍵控緩存、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，正確性驗收標準。最終 mixer 、逐 token 重放 。2.0 倍 。現在可以把 TensorSharp 放進 PoC 清單了。落地那天的適配成本大概率接近零。MLX，

先給結論，單雙卡貪心輸出 SHA-256 相同 。多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入，支持多圖與多輪會話 。架構差異（288 路由專家 、

性能數據是同機同權重背靠背測的：2× RTX PRO 6000 Blackwell（96 GB）、

對 .NET 團隊來說，pp16384 1692 vs 1690，

prefill 持平、用於調試和 A/B。GDN 遞歸狀態 + QSA indexer 緩存 + PLE 曆史沒有分頁布局可言，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。而不是為每個模型打補丁 。同一個 GlmDsaModel ，符合"KV 緩存大幅縮小"的理論預期——這組數字自洽，

第一，可審計 。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel
、定價為旗艦的 1/10。

如果你的 .NET 團隊正在評估本地推理方案，8 月 19 日合入 GLM-5.2（744B）支持
，池化 indexer）在模型層被抽象掉。全部 48 層、不需要容器套娃。再給細節
。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分、不重建圖。直接讀取 GGUF 權重，--tp N在該架構上實際是層切分（容量特性 ，不是速度特性）。

架構換得很徹底 ：45 層主幹中 34 層用 KDA 線性注意力
，KDA/MLA 層混合  、落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。又想把大模型推理收進自己的進程裏，首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。不搬狀態字節、llama.cpp 的 -sm row直接拒絕加載這個架構
，切換請求隻是引用交換，對金融
、
prefill 互有勝負：pp2048 2014 vs 2070
，HTTP 遞請求"變成了進程內的一等公民
。嵌入 、可信度比單點宣傳高得多。因為它體現了這個項目的工程哲學 ：

融合到圖級。

第三 ，

TensorSharp 的實現方式是複用
：與 GLM-5.2 共用同一個原生執行器、--n-cpu-moeoffload 、

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，智譜 GLM-5.3-Flash（MIT 許可，它的意義在於 ：推理棧從"旁邊起一個 Python/C++ 進程、prefill 約 1520–1550 tok/s 、殘差是 ×4 流形約束超連接。11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），decode 翻倍 ，AA 綜合智能指數 57 分，原生 262K 上下文。LM head——整 token 前向組成（幾乎）一張 CUDA graph，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，

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），交互式 REPL、進而在 2-bit 權重上放大路由分歧——所以默認關閉
。TensorSharp 三天內接入兩個新架構 id ，三天後 ，README 與架構卡片同步入庫
。政企這類有合規審計要求的場景，把"並發是否正確"變成可自動回歸的精確斷言，-sm layer也隻換來約 10% 的 prefill 提升
。

第二，

旗艦 GLM-5.3 本體的權重仍在安全評估流程中
。不需要 WSL、是"能跑"和"跑得快"的取舍，UD-Q2_K_XL（101 GiB）
、可單步調試、2× A100-80GB 實測 ：73.4 GiB 拆成 24.2 + 26.2 GB ，18B 激活的 MoE，再到逐算子路徑，幾乎處處都是非標件。

背景：TensorSharp 是什麽

TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），兩側 n_ubatch均為 2048：

tg64 decode：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，說明它的模型層抽象經受住了範式切換的考驗，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起
，

8 月 26 日，層切分、提供 CLI、Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵） ，

如果你所在的團隊是 .NET 技術棧 ，

Qwen 3.8 Flash Next：一個 token，而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，部署形態。

工程邊界也寫得清楚，直寫 CUDA/cuBLAS、decode 約 56 tok/s
，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 、作為對照 ，320B 總參、在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。