AnswersPublished23 sources
SenseNova-Loop-9B-Preview: 24 vrstev použije dvakrát
Model zveřejněný 30. října 2026 vykonává sdílený blok 24 vrstev dvakrát: z 32 různých vrstev tak vznikne 56 výpočetních průchodů.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Model zveřejněný 30. října 2026 vykonává sdílený blok 24 vrstev dvakrát: z 32 různých vrstev tak vznikne 56 výpočetních průchodů.
- SenseTime uvádí přibližně 9 miliard celkových parametrů a tréninkové sekvence až do délky 262 144 tokenů.
- Výsledky srovnávacích testů a tvrzení o výkonu na úrovni větších modelů jsou zatím firemní údaje; technická zpráva je stále označená jako připravovaná.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is SenseTime’s SenseNova-Loop-9B-Preview, open-sourced on October 30, 2026, and how do its Apache 2.0 weights on Hugging Face and code. Article summary: SenseNova-Loop-9B-Preview is SenseTime’s open-weight multimodal model for long-context and agent workflows, released on October 30, 2026, with Apache 2.0 weights on Hugging Face and a public GitHub repository.[6][12][7][. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
SenseNova-Loop-9B-Preview je multimodální model od společnosti SenseTime určený pro práci s dlouhým kontextem a úlohy využívající externí nástroje. Jeho hlavní zvláštností není jen velikost, ale způsob výpočtu: prostřední blok 24 dekodérových vrstev použije dvakrát. Má tedy 32 různých vrstev, ale při jednom průchodu jich vykoná 56.7
45
Model SenseTime zveřejnila 30. října 2026. Váhy jsou dostupné na Hugging Face a kód projektu na GitHubu; projekt je veden pod licencí Apache 2.0.7
16
25 Architektura je zajímavá, tvrzení o výkonu srovnatelném s výrazně většími modely je však třeba chápat jako výsledky testů prezentované společností, nikoli jako záruku stejné úrovně ve všech úlohách.
Jak z 32 vrstev vznikne 56 výpočetních průchodů
První čtyři vrstvy model vykoná jednou, vrstvy 4 až 27 dvakrát se sdílenými vahami a poslední čtyři opět jednou. Výsledek je 56 průchodů: čtyři na začátku, 48 v opakovaném bloku a čtyři na konci.45
Důležité je rozlišovat mezi počtem různých vrstev a počtem jejich vykonání. Opakováním prostředního bloku přibývá výpočetní hloubka, aniž by bylo nutné ukládat druhou sadu vah pro jeho další průchod. Neznamená to ale automaticky rychlejší běh ani nižší nároky při nasazení. Skutečná rychlost a spotřeba zdrojů závisí na implementaci i prostředí, ve kterém model běží.
Modelová karta uvádí přibližně 9 miliard celkových parametrů a 14,6 miliardy „parametrů při inferenci“.6 Jde o dvě odlišné účetní hodnoty. Vyšší číslo nelze číst jako 14,6 miliardy samostatně uložených vah ani jako důkaz, že se model chová stejně jako běžný model této velikosti.
Co přidávají mHC a pozornost
V opakované části model používá dvouproudové manifoldově omezené hyperpropojení, označované zkratkou mHC. Dekodérem procházejí dvě reziduální větve a naučená mapování řídí, jak se z nich informace čtou a mísí a jak se do nich začleňují výstupy vrstev. Dokumentace uvádí, že míchání větví omezuje normalizace Sinkhorn; konfigurace počítá se dvěma větvemi a 20 normalizačními iteracemi.8
20
Dokumentace popisuje také hybridní vzor pozornosti: střídají se tři vrstvy s lineární pozorností a jedna vrstva s plnou pozorností.32 Jde o popis architektury, nikoli sám o sobě o důkaz, že model bude rychlejší nebo schopnější při každém typu úlohy.
Vstupy, kontext a zamýšlené použití
SenseNova-Loop-9B-Preview přijímá text a obrázky a generuje text. SenseTime jej představuje pro úlohy spojené s porozuměním dokumentům, programováním a prací s externími nástroji.7 Popsaný trénink podporuje sekvence až do délky 262 144 tokenů a zahrnuje multimodální vstupy i trajektorie úloh s dohledem.
6 Podle zprávy TechNode tréninková směs obsahuje text, obrázky, kód a příklady používání nástrojů.
30
Maximální délka sekvence použité při tréninku ale nezaručuje, že model spolehlivě vyhledá nebo správně vyhodnotí každou informaci v takto dlouhém vstupu. Schopnosti při práci s dlouhým kontextem je potřeba ověřovat na konkrétních úlohách.
Co říkají výsledky testů — a co z nich vyvodit nelze
SenseTime uvádí, že model dosahuje výkonu zhruba na úrovni modelů s 27 miliardami parametrů, a zdůrazňuje srovnání s Qwen3.5-27B v testech WorkBuddy Bench, RaccoonPPT Bench a AutomationBench.16
36 Jde o firemní tvrzení založená na vybraných hodnoceních, nikoli o důkaz rovnocennosti ve všech úlohách. Dostupné podklady neobsahují dost podrobností, aby bylo možné srovnání nezávisle posoudit nebo zobecnit.
Modelová karta uvádí výsledky z testů BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench a RaccoonPPTBench.17 Samotné uvedení testu v seznamu ale neříká, zda model v něm zvítězil, ani jak bylo hodnocení provedeno. Technická zpráva je navíc v modelové kartě stále označena jako „TBD“, takže chybí podrobnější popis metodiky a výsledků.
1
Zrychlení inference: co je doloženo
Dokumentace uvádí podporu metody multi-token prediction (MTP) pro zrychlení inference, tedy generování odpovědi modelem.6
20 Popis podpory ale není měřením zrychlení: dostupné informace nedokládají úsporu latence ani vyšší propustnost napříč různým hardwarem a úlohami.
Dspark a Dflash2 jsou podle dokumentace ve vývoji a jejich trénink probíhá; projekt zároveň zveřejňuje související tréninkové instrukce.5
20 Ty dokládají existenci připravovaných tréninkových postupů, nikoli dostupnost hotových návrhových checkpointů nebo nezávisle ověřené zrychlení.
Praktický závěr
SenseNova-Loop-9B-Preview zkouší konkrétní kompromis: opakováním prostředního bloku zvyšuje výpočetní hloubku a zároveň sdílí jeho váhy. Je proto užitečné oddělit uváděný počet parametrů, dlouhý kontext použitý při tréninku a firemní benchmarková tvrzení od skutečné efektivity při běhu a nezávisle ověřených schopností. Při rozhodování o nasazení budou nejdůležitější výsledky na zamýšlené úloze a změřená spotřeba paměti, latence i kvalita v konkrétním prostředí.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "SenseNova-Loop-9B-Preview: 24 vrstev použije dvakrát"?
Model zveřejněný 30. října 2026 vykonává sdílený blok 24 vrstev dvakrát: z 32 různých vrstev tak vznikne 56 výpočetních průchodů.
What are the key points to validate first?
Model zveřejněný 30. října 2026 vykonává sdílený blok 24 vrstev dvakrát: z 32 různých vrstev tak vznikne 56 výpočetních průchodů. SenseTime uvádí přibližně 9 miliard celkových parametrů a tréninkové sekvence až do délky 262 144 tokenů.
What should I do next in practice?
Výsledky srovnávacích testů a tvrzení o výkonu na úrovni větších modelů jsou zatím firemní údaje; technická zpráva je stále označená jako připravovaná.