उत्तरप्रकाशित23 स्रोत
SenseNova-Loop-9B-Preview: 32 लेयर, लेकिन हर पास में 56 बार गणना
30 अक्टूबर 2026 को जारी SenseNova Loop 9B Preview में बीच की साझा 24 डिकोडर लेयर दो बार चलती हैं—इस तरह 32 अलग लेयर से कुल 56 लेयर एक्ज़ीक्यूशन होते हैं। मॉडल में लगभग 9 अरब कुल पैरामीटर बताए गए हैं; 14.6 अरब ‘इन्फरेंस पैरामीटर’ का आंकड़ा अलग तरह की गणना है, न कि स्वतंत्र रूप से स्टोर किए गए वेट की संख्या। SenseTime...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- 30 अक्टूबर 2026 को जारी SenseNova Loop 9B Preview में बीच की साझा 24 डिकोडर लेयर दो बार चलती हैं—इस तरह 32 अलग लेयर से कुल 56 लेयर एक्ज़ीक्यूशन होते हैं।
- मॉडल में लगभग 9 अरब कुल पैरामीटर बताए गए हैं; 14.6 अरब ‘इन्फरेंस पैरामीटर’ का आंकड़ा अलग तरह की गणना है, न कि स्वतंत्र रूप से स्टोर किए गए वेट की संख्या।
- SenseTime के बड़े मॉडलों से मुकाबले वाले बेंचमार्क दावे कंपनी के अपने नतीजों पर आधारित हैं; उन्हें हर तरह के काम में समान प्रदर्शन का प्रमाण नहीं मानना चाहिए।
AI संकेत
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
SenseTime का SenseNova-Loop-9B-Preview लंबे संदर्भ और एजेंट-आधारित कार्यों के लिए बनाया गया एक ओपन-वेट मल्टीमॉडल मॉडल है। इसकी खासियत यह है कि यह डिकोडर की बीच वाली 24 लेयर को साझा वेट के साथ दो बार चलाता है। यानी मॉडल में 32 अलग-अलग लेयर हैं, लेकिन एक फॉरवर्ड पास में लेयर-एक्ज़ीक्यूशन की संख्या 56 हो जाती है। इससे दोबारा चलाए जाने वाले हिस्से के लिए वेट की दूसरी प्रति स्टोर किए बिना गणना की गहराई बढ़ती है।7
45
SenseTime ने मॉडल 30 अक्टूबर 2026 को जारी किया। इसके वेट Hugging Face पर उपलब्ध हैं और प्रोजेक्ट का कोड GitHub पर सार्वजनिक है; प्रोजेक्ट Apache 2.0 लाइसेंस के तहत सूचीबद्ध है।7
16
25 इसकी आर्किटेक्चर दिलचस्प है, लेकिन बड़े मॉडलों के बराबर प्रदर्शन के दावों को कंपनी के बताए गए बेंचमार्क नतीजों के रूप में देखना चाहिए—हर तरह के काम में समान प्रदर्शन की गारंटी के रूप में नहीं।
32 डिकोडर लेयर से 56 एक्ज़ीक्यूशन कैसे बनते हैं?
मॉडल पहली चार लेयर एक बार चलाता है, लेयर 4 से 27 तक के बीच वाले 24-लेयर ब्लॉक को साझा वेट के साथ दो बार, और आखिरी चार लेयर फिर एक बार। हिसाब है: शुरुआती 4, दोहराए गए ब्लॉक के 48 और अंतिम 4—कुल 56 एक्ज़ीक्यूशन।45
यहां फर्क अलग-अलग लेयरों और लेयर-एक्ज़ीक्यूशन के बीच है। बीच के ब्लॉक को दोबारा चलाने से गणना बढ़ती है, लेकिन दूसरी बार के लिए अलग पैरामीटर सेट रखने की जरूरत नहीं होती। फिर भी, 56 एक्ज़ीक्यूशन का मतलब अपने-आप तेज़ या कम संसाधन वाला मॉडल नहीं है। वास्तविक गति और संसाधन-खपत इस बात पर निर्भर करेगी कि मॉडल को कैसे लागू और चलाया जाता है।
मॉडल कार्ड में लगभग 9 अरब कुल पैरामीटर और 14.6 अरब ‘इन्फरेंस पैरामीटर’ दर्ज हैं।6 ये दो अलग तरह के आंकड़े हैं। 14.6 अरब को स्वतंत्र रूप से स्टोर किए गए वेट की संख्या या इस बात का प्रमाण नहीं समझना चाहिए कि मॉडल पारंपरिक 14.6-अरब-पैरामीटर मॉडल जैसा ही प्रदर्शन करेगा।
mHC और अटेंशन की भूमिका
दोहराए जाने वाले हिस्से में मॉडल टू-स्ट्रीम मैनिफोल्ड-कंस्ट्रेन्ड हाइपर-कनेक्शन्स (mHC) का इस्तेमाल करता है। आसान शब्दों में, डिकोडर की गणनाओं के बीच जानकारी ले जाने के लिए दो रेज़िडुअल स्ट्रीम रखी जाती हैं। सीखे गए मैपिंग यह तय करते हैं कि इन स्ट्रीम से जानकारी कैसे ली जाए, उन्हें कैसे मिलाया जाए और लेयर का आउटपुट रेज़िडुअल स्थिति में कैसे जोड़ा जाए। प्रोजेक्ट के दस्तावेज़ों के मुताबिक, Sinkhorn नॉर्मलाइज़ेशन स्ट्रीम-मिश्रण मैप को सीमित करता है; इसमें दो स्ट्रीम और नॉर्मलाइज़ेशन के 20 चरण दर्ज हैं।8
20
मॉडल दस्तावेज़ों में हाइब्रिड अटेंशन पैटर्न भी बताया गया है: हर तीन linear-attention लेयर के बाद एक full-attention लेयर आती है।32 यह आर्किटेक्चर का विवरण है, अपने-आप में इस बात का सबूत नहीं कि मॉडल हर काम में तेज़ या अधिक सक्षम होगा।
इनपुट, संदर्भ क्षमता और उपयोग
SenseNova-Loop-9B-Preview टेक्स्ट और तस्वीरें इनपुट के रूप में लेता है और टेक्स्ट आउटपुट देता है। SenseTime इसे दस्तावेज़ समझने, कोडिंग और बाहरी टूल के साथ काम करने जैसे कार्यों के लिए पेश करता है।7 दस्तावेज़ों में प्रशिक्षण के लिए अधिकतम 262,144 टोकन तक की सीक्वेंस लंबाई बताई गई है; प्रशिक्षण में मल्टीमॉडल इनपुट और निर्देशित टास्क-ट्रैजेक्टरी भी शामिल हैं।
6 TechNode की रिलीज़ रिपोर्ट के अनुसार, प्रशिक्षण मिश्रण में टेक्स्ट, तस्वीरें, कोड और टूल-इस्तेमाल के उदाहरण शामिल हैं।
30
प्रशिक्षण में इतनी लंबी सीक्वेंस का समर्थन होना इस बात की गारंटी नहीं कि मॉडल इतने बड़े इनपुट के हर हिस्से से भरोसेमंद ढंग से जानकारी निकाल या उस पर तर्क कर पाएगा। वास्तविक उपयोग में लंबी संदर्भ-क्षमता को अपने काम के हिसाब से परखना जरूरी है।
बेंचमार्क दावे क्या बताते हैं—और क्या नहीं?
SenseTime ने मॉडल को लगभग 27-अरब-पैरामीटर श्रेणी के प्रदर्शन वाला बताया है और WorkBuddy Bench, RaccoonPPT Bench तथा AutomationBench पर Qwen3.5-27B से तुलना को प्रमुखता दी है।16
36 ये चुनिंदा मूल्यांकनों के बारे में कंपनी के दावे हैं, सभी कामों में बराबरी का प्रमाण नहीं। उपलब्ध सामग्री में तुलना की स्वतंत्र जांच करने या यह समझने के लिए पर्याप्त मूल्यांकन विवरण नहीं है कि नतीजे कितने व्यापक हैं।
मॉडल कार्ड में BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench और RaccoonPPTBench समेत कई बेंचमार्क के नतीजे सूचीबद्ध हैं।17 किसी बेंचमार्क का सूची में होना अपने-आप में जीत साबित नहीं करता और न ही यह बताता है कि नतीजा कैसे हासिल हुआ। मॉडल कार्ड में तकनीकी रिपोर्ट का दर्जा अभी भी ‘TBD’ है, इसलिए तरीकों और नतीजों का अधिक विस्तृत ब्यौरा उपलब्ध नहीं है।
1
इन्फरेंस सपोर्ट: अभी क्या दस्तावेज़ित है?
प्रोजेक्ट दस्तावेज़ कहते हैं कि इन्फरेंस को तेज़ करने के लिए मल्टी-टोकन प्रेडिक्शन (MTP) समर्थित है।6
20 यह उपलब्ध सुविधा का उल्लेख है, मापी गई गति-वृद्धि का नहीं। उपलब्ध सामग्री अलग-अलग हार्डवेयर और कामों पर लेटेंसी या थ्रूपुट में सुधार साबित नहीं करती।
दस्तावेज़ों में Dspark और Dflash2 को विकास के तहत बताया गया है और उनके प्रशिक्षण का भी उल्लेख है।5
20 संबंधित प्रशिक्षण निर्देश मौजूद होना यह दिखाता है कि इन रास्तों पर काम हुआ है; इससे यह साबित नहीं होता कि इस्तेमाल के लिए तैयार ड्राफ्ट चेकपॉइंट उपलब्ध हैं या गति में सुधार स्वतंत्र रूप से सत्यापित किया गया है।
कुल मिलाकर
SenseNova-Loop-9B-Preview एक साफ़ आर्किटेक्चरल समझौता आज़माता है: बीच के एक ब्लॉक के वेट साझा रखकर उसे दोबारा चलाना और इस तरह गणना की गहराई बढ़ाना। इसके पैरामीटर आंकड़ों, लंबी सीक्वेंस पर प्रशिक्षण और बेंचमार्क दावों को वास्तविक समय की दक्षता तथा स्वतंत्र रूप से सत्यापित क्षमता से अलग-अलग समझना जरूरी है। तैनाती का फैसला करते समय अपने लक्षित काम पर गुणवत्ता, मेमोरी इस्तेमाल और लेटेंसी को उसी वातावरण में मापना सबसे उपयोगी होगा।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"SenseNova-Loop-9B-Preview: 32 लेयर, लेकिन हर पास में 56 बार गणना" का संक्षिप्त उत्तर क्या है?
30 अक्टूबर 2026 को जारी SenseNova Loop 9B Preview में बीच की साझा 24 डिकोडर लेयर दो बार चलती हैं—इस तरह 32 अलग लेयर से कुल 56 लेयर एक्ज़ीक्यूशन होते हैं।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
30 अक्टूबर 2026 को जारी SenseNova Loop 9B Preview में बीच की साझा 24 डिकोडर लेयर दो बार चलती हैं—इस तरह 32 अलग लेयर से कुल 56 लेयर एक्ज़ीक्यूशन होते हैं। मॉडल में लगभग 9 अरब कुल पैरामीटर बताए गए हैं; 14.6 अरब ‘इन्फरेंस पैरामीटर’ का आंकड़ा अलग तरह की गणना है, न कि स्वतंत्र रूप से स्टोर किए गए वेट की संख्या।
मुझे अभ्यास में आगे क्या करना चाहिए?
SenseTime के बड़े मॉडलों से मुकाबले वाले बेंचमार्क दावे कंपनी के अपने नतीजों पर आधारित हैं; उन्हें हर तरह के काम में समान प्रदर्शन का प्रमाण नहीं मानना चाहिए।