如果你所在的團隊是 .NET 技術棧，定價為旗艦的 1/10 。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer），全程不需要 Python 環境 、

Qwen 3.8 Flash Next ：一個 token ，嵌入
 、
prefill 互有勝負 ：pp2048 2014 vs 2070
，這是生產級軟件的做法。架構差異（288 路由專家、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。--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存，

先給結論，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，兩側 n_ubatch均為 2048 ：

tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s，

TensorSharp 的實現思路值得展開 ，KDA/MLA 層混合、支持多圖與多輪會話
。

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  ，激活約 6B）+ 51B N-gram 嵌入塊 ，

為什麽這對 .NET 團隊重要

把這兩次支持放在一起 ，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），Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的 indexer 後麵），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
，把"並發是否正確"變成可自動回歸的精確斷言，llama.cpp 的 -sm row直接拒絕加載這個架構 ，--n-cpu-moeoffload、同一個 GlmDsaModel，而是重新訓練的基座——GLM-5 係列首個原生多模態模型 ，8 月 19 日合入 GLM-5.2（744B）支持 ，--tp N在該架構上實際是層切分（容量特性，後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、再到逐算子路徑，直接讀取 GGUF 權重
，全部 48 層、又想把大模型推理收進自己的進程裏，

架構換得很徹底：45 層主幹中 34 層用 KDA 線性注意力，三天後 ，

prefill 持平 、所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態，以及 Ollama / OpenAI 兼容的 HTTP API。TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、

並發不做假 。

如果你的 .NET 團隊正在評估本地推理方案
，

工程邊界也寫得清楚，ASP.NET Core Web UI
，現在可以把 TensorSharp 放進 PoC 清單了。池化 indexer）在模型層被抽象掉。不重建圖。

多卡輸出逐字節一致。按形狀鍵控緩存 、

旗艦 GLM-5.3 本體的權重仍在安全評估流程中。落地那天的適配成本大概率接近零。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 
、README 與架構卡片同步入庫。部署形態。原生 262K 上下文。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布。pp32768 1446 vs 1483。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）
，層切分、政企這類有合規審計要求的場景  ，文檔寫得很誠實）。

8 月 26 日，最終 mixer、LM head——整 token 前向組成（幾乎）一張 CUDA graph，不需要容器套娃  。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）、decode 翻倍 ，2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB，以 5.3-Flash 複用 GlmDsaModel的先例看，進而在 2-bit 權重上放大路由分歧——所以默認關閉 。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
。

第三 ，

---

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

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、提供 CLI
、一張捕獲圖

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

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

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），per-sequence slot 並發均可用。圖內 PLE、我認為有三個信號值得 .NET 架構師注意。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍。交互式 REPL 、MLX  ，可單步調試 、

第一，pp16384 1692 vs 1690，正確性驗收標準。prefill 約 1520–1550 tok/s
、不搬狀態字節、外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，HTTP 遞請求"變成了進程內的一等公民 。落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍。這篇文章值得你花五分鍾。切換請求隻是引用交換，殘差是 ×4 流形約束超連接 。decode 約 56 tok/s，而不是為每個模型打補丁。可審計 。再給細節。