RespuestasPublicado23 fuentes
SenseNova Loop 9B: cómo ejecuta 56 pasos con 32 capas
Publicado el 30 de octubre de 2026, SenseNova Loop 9B Preview ejecuta dos veces un bloque compartido de 24 capas: 56 ejecuciones en total a partir de 32 capas distintas. El modelo acepta texto e imágenes, genera texto y está pensado para contextos largos y flujos de trabajo con herramientas.
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Publicado el 30 de octubre de 2026, SenseNova Loop 9B Preview ejecuta dos veces un bloque compartido de 24 capas: 56 ejecuciones en total a partir de 32 capas distintas.
- El modelo acepta texto e imágenes, genera texto y está pensado para contextos largos y flujos de trabajo con herramientas.
- SenseTime destaca resultados frente a modelos mayores, pero son afirmaciones basadas en evaluaciones seleccionadas; el informe técnico aún figura como pendiente.
Prompt de IA
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 es un modelo multimodal de pesos abiertos desarrollado por SenseTime para trabajar con contextos largos y flujos de trabajo con agentes. Su rasgo distintivo es reutilizar dos veces las mismas 24 capas centrales del decodificador: tiene 32 capas distintas, pero realiza 56 ejecuciones de capa en cada pasada del modelo.7
45
La idea es aumentar la profundidad de cómputo sin almacenar otra copia de los pesos del bloque repetido. SenseTime publicó el modelo el 30 de octubre de 2026; sus pesos están disponibles en Hugging Face y el código del proyecto, en GitHub. El repositorio figura bajo la licencia Apache 2.0.7
16
25 La arquitectura resulta llamativa, pero las afirmaciones de que alcanza el nivel de modelos mucho mayores deben entenderse como resultados comunicados por la empresa, no como garantía de rendimiento equivalente en cualquier tarea.
De 32 capas distintas a 56 ejecuciones
El decodificador ejecuta una vez las primeras cuatro capas, repite dos veces las capas 4 a 27 —un bloque de 24 con pesos compartidos— y ejecuta una vez las cuatro últimas. El total es de 56 ejecuciones: cuatro al inicio, 48 en el bloque repetido y cuatro al final.45
La diferencia importante está entre capas distintas y ejecuciones de capa. Reutilizar el bloque añade cómputo sin exigir un conjunto de pesos independiente para la segunda pasada. Pero más ejecuciones no significan automáticamente menor latencia ni menos recursos en funcionamiento: el rendimiento real depende de la implementación y de las condiciones de despliegue.
La ficha del modelo indica unos 9.000 millones de parámetros totales y 14.600 millones de «parámetros de inferencia».6 Son cifras con criterios de cómputo distintos. La más alta no equivale a 14.600 millones de pesos almacenados de forma independiente ni demuestra que el modelo rinda como uno convencional de ese tamaño.
Qué aportan mHC y la atención
En el bloque que se repite, el modelo emplea conexiones hipercurvas restringidas a una variedad de dos flujos, conocidas como mHC. Dos flujos residuales transportan información durante los cálculos del decodificador; mapas aprendidos determinan cómo se leen y combinan esos flujos y cómo se incorporan las salidas de cada capa. La documentación señala que la normalización de Sinkhorn restringe el mapa que mezcla los flujos y especifica dos flujos con 20 iteraciones de normalización.8
20
La arquitectura también alterna tres capas de atención lineal con una capa de atención completa.32 Se trata de una característica del diseño, no de una prueba por sí sola de que el modelo vaya a ser más rápido o capaz en todos los usos.
Entradas, contexto y usos previstos
SenseNova-Loop-9B-Preview recibe texto e imágenes y genera texto. SenseTime lo presenta para tareas como comprender documentos, programar e interactuar con herramientas externas.7 La configuración de entrenamiento documentada admite secuencias de hasta 262.144 tokens e incluye entradas multimodales y trayectorias supervisadas de tareas.
6 La cobertura de TechNode describe datos de entrenamiento que incluyen texto, imágenes, código y ejemplos de uso de herramientas.
30
Ese máximo de longitud usado en el entrenamiento no garantiza que el modelo recupere o razone con fiabilidad sobre cada token de una entrada de ese tamaño. Su desempeño con contextos largos debe comprobarse en las tareas concretas para las que se quiera utilizar.
Qué dicen —y qué no— las comparaciones
SenseTime ha presentado el modelo como competitivo con sistemas de la clase de 27.000 millones de parámetros y ha destacado comparaciones con Qwen3.5-27B en WorkBuddy Bench, RaccoonPPT Bench y AutomationBench.16
36 Son afirmaciones de la empresa sobre evaluaciones específicas, no evidencia de equivalencia en todas las tareas. La información disponible no ofrece suficientes detalles de evaluación para verificar de forma independiente esas comparaciones ni determinar hasta dónde se pueden generalizar.
La ficha del modelo enumera resultados en pruebas como BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench y RaccoonPPTBench.17 Que una prueba aparezca en esa lista no demuestra, por sí solo, que el modelo haya ganado ni explica cómo se obtuvo el resultado. Además, el informe técnico figura como «TBD» —pendiente—, de modo que todavía falta una descripción más completa de los métodos y resultados.
1
Aceleración de inferencia: qué está documentado
La documentación indica que el modelo admite predicción de múltiples tokens (MTP) como método de aceleración de inferencia.6
20 Esto confirma que la técnica está disponible, pero no cuantifica una mejora: la información consultada no demuestra reducciones de latencia ni aumentos de rendimiento en distintos equipos y cargas de trabajo.
Dspark y Dflash2 aparecen como tecnologías en desarrollo, con el entrenamiento en curso; el proyecto también incluye instrucciones relacionadas.5
20 Esas instrucciones muestran que existen rutas de entrenamiento, pero no prueban que haya modelos auxiliares listos para usar ni que se hayan verificado mejoras de velocidad de forma independiente.
La lectura práctica
SenseNova-Loop-9B-Preview explora una compensación clara: repetir un bloque central para aumentar la profundidad de cómputo, manteniendo compartidos sus pesos. Conviene separar las cifras de parámetros, el entrenamiento con secuencias largas y las comparaciones promocionadas de dos cuestiones distintas: la eficiencia durante la ejecución y la capacidad comprobada de manera independiente. Para decidir si sirve en un despliegue, lo decisivo será medir su calidad, consumo de memoria y latencia en la tarea y el entorno previstos.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "SenseNova Loop 9B: cómo ejecuta 56 pasos con 32 capas"?
Publicado el 30 de octubre de 2026, SenseNova Loop 9B Preview ejecuta dos veces un bloque compartido de 24 capas: 56 ejecuciones en total a partir de 32 capas distintas.
¿Cuáles son los puntos clave a validar primero?
Publicado el 30 de octubre de 2026, SenseNova Loop 9B Preview ejecuta dos veces un bloque compartido de 24 capas: 56 ejecuciones en total a partir de 32 capas distintas. El modelo acepta texto e imágenes, genera texto y está pensado para contextos largos y flujos de trabajo con herramientas.
¿Qué debo hacer a continuación en la práctica?
SenseTime destaca resultados frente a modelos mayores, pero son afirmaciones basadas en evaluaciones seleccionadas; el informe técnico aún figura como pendiente.