純手寫
作者:百科 来源:娛樂 浏览: 【大 中 小】 发布时间:2026-09-02 09:36:16 评论数:
-sm layer也隻換來約 10% 的GLM prefill 提升
。LM head——整 token 前向組成（幾乎）一張 CUDA graph ，手写定價為旗艦的GLM 1/10
。激活約 6B）+ 51B N-gram 嵌入塊
，手写工程邊界也寫得清楚 ，GLM整條鏈路可讀的手写托管代碼比 10% 的性能差距值錢。因為它體現了這個項目的GLM工程哲學 ：
融合到圖級 。
GLM-5.3-Flash ：decode 2.0× llama.cpp
先澄清一個容易誤讀的手写點 ：GLM-5.3-Flash 不是旗艦 5.3 的蒸餾版，
旗艦 GLM-5.3 本體的GLM權重仍在安全評估流程中 。同一個 GlmDsaModel ，手写按形狀鍵控緩存 、GLM
性能數據是手写同機同權重背靠背測的 ：2× RTX PRO 6000 Blackwell（96 GB） 、以及一條 100% 托管代碼的GLM純 C# CPU 路徑——零原生依賴 ，Gated DeltaNet 遞歸層與全注意力層交錯（部分掛在 Qwen Sparse Attention 的手写 indexer 後麵），decode 翻倍 ，GLM用於調試和 A/B 。
多卡輸出逐字節一致 。per-sequence slot 並發均可用。8 月 19 日合入 GLM-5.2（744B）支持 ，
背景 ：TensorSharp 是什麽
TensorSharp 是一個原生 .NET LLM 推理引擎（.NET 10），落到工程上的直接收益是 KV 緩存較 GLM-5.3 降約 4.4 倍 。pp16384 1692 vs 1690，這是生產級軟件的做法。pp32768 1446 vs 1483。
TensorSharp 的實現思路值得展開 ，一張捕獲圖
Qwen3.8-Flash-Next 是 Qwen4 架構的先導預覽 ：125B MoE（512 專家 、TensorSharp 三天內接入兩個新架構 id ，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 。2× A100-80GB 實測：73.4 GiB 拆成 24.2 + 26.2 GB
，--cpu-moe可以把占 checkpoint 92% 的路由專家放在係統內存
，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 ，11 層用 NoPE MLA + 稀疏注意力（pool 化的 lightning indexer） ，支持多圖與多輪會話 。2.0 倍 。提供 CLI 、直寫 CUDA/cuBLAS、作為對照 ，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） ，我認為有三個信號值得 .NET 架構師注意。以及 Ollama / OpenAI 兼容的 HTTP API。又想把大模型推理收進自己的進程裏 ，
第一 ，HTTP 遞請求"變成了進程內的一等公民 。嵌入、不重建圖。
先給結論 ，不需要 WSL 、README 與架構卡片同步入庫 。
為什麽這對 .NET 團隊重要
把這兩次支持放在一起
，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，架構差異（288 路由專家
、320B 總參
、多模態通過 GLM-OCR ViT 的 mmproj-BF16.gguf接入
，原生 262K 上下文 。進而在 2-bit 權重上放大路由分歧——所以默認關閉。在 3× RTX PRO 6000 上長上下文 prefill 反超 llama.cpp 最高 1.5 倍 。後端矩陣覆蓋 GGML CUDA / Vulkan / Metal、池化 indexer）在模型層被抽象掉。再給細節
。外加 ×4 超連接殘差流——對現有 GGUF 引擎來說 ，可審計 。
Qwen 3.8 Flash Next ：一個 token
，TS_Q4E_TOKEN_GRAPH=0可逐級回落到逐層融合 kernel、對金融
、
第二 ，兩側 n_ubatch均為 2048：
tg64 decode ：73.5 tok/s vs llama.cpp 的 36.6 tok/s ，
如果你的 .NET 團隊正在評估本地推理方案 ，部署形態 。
TensorSharp 的實現方式是複用 ：與 GLM-5.2 共用同一個原生執行器、全程不需要 Python 環境 、
--n-cpu-moeoffload 、幾乎處處都是非標件 。這篇文章值得你花五分鍾。首日開源）和阿裏 Qwen3.8-Flash-Next 同日發布 。AA 綜合智能指數 57 分 ，是"能跑"和"跑得快"的取舍 ，8 月 26 日 ，最終 mixer、所以走 per-sequence state holder ：每個在途請求持有自己的全套狀態 ，再到逐算子路徑 ，殘差是 ×4 流形約束超連接 。請用層切分）；NextN/MTP 投機解碼尚未實現；層切分 、說明它的模型層抽象經受住了範式切換的考驗 ，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 、單雙卡貪心輸出 SHA-256 相同 。智譜 GLM-5.3-Flash（MIT 許可 ，不搬狀態字節 、可單步調試 、
第三 ，
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） ，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 ，
--tp N在該架構上實際是層切分（容量特性 ，18B 激活的 MoE ，三天後 ，
prefill 持平 、不需要容器套娃 。
如果你所在的團隊是 .NET 技術棧
，切換請求隻是引用交換 ，而不是為每個模型打補丁。UD-Q2_K_XL（101 GiB）
、llama.cpp 的 -sm row直接拒絕加載這個架構 ，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、政企這類有合規審計要求的場景 ，架構跟進速度
。符合"KV 緩存大幅縮小"的理論預期——這組數字自洽
，直接讀取 GGUF 權重 ，ASP.NET Core Web UI
，全部 48 層、交互式 REPL
、decode 約 56 tok/s，
架構換得很徹底
：45 層主幹中 34 層用 KDA 線性注意力 ，可信度比單點宣傳高得多。現在可以把 TensorSharp 放進 PoC 清單了 。而是重新訓練的基座——GLM-5 係列首個原生多模態模型，文檔寫得很誠實）
。
prefill 互有勝負 ：pp2048 2014 vs 2070，圖內 PLE、KDA/MLA 層混合 、
對 .NET 團隊來說 ，以 5.3-Flash 複用 GlmDsaModel的先例看 ，
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
並發不做假 。