JawabanDipublikasikan23 sumber
SenseNova-Loop-9B-Preview: Cara SenseTime Membuat 32 Layer Bekerja 56 Kali
Dirilis pada 30 Oktober 2026, SenseNova Loop 9B Preview mengeksekusi blok bersama berisi 24 layer decoder dua kali: 56 eksekusi dari 32 layer berbeda. Model ini memiliki sekitar 9 miliar parameter total dan dilatih untuk konteks hingga 262.144 token; panjang konteks itu bukan jaminan kinerja pada setiap tugas.
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Dirilis pada 30 Oktober 2026, SenseNova Loop 9B Preview mengeksekusi blok bersama berisi 24 layer decoder dua kali: 56 eksekusi dari 32 layer berbeda.
- Model ini memiliki sekitar 9 miliar parameter total dan dilatih untuk konteks hingga 262.144 token; panjang konteks itu bukan jaminan kinerja pada setiap tugas.
- Klaim mampu menandingi model kelas 27 miliar parameter berasal dari evaluasi yang dipromosikan SenseTime dan belum disertai laporan teknis lengkap.
AI Perintah
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 adalah model multimodal dengan bobot terbuka dari SenseTime, yang ditujukan untuk konteks panjang dan alur kerja agen AI. Hal yang paling menonjol dari arsitekturnya: 24 layer decoder bagian tengah digunakan dua kali. Jadi, model ini memiliki 32 layer berbeda, tetapi menjalankan 56 komputasi layer dalam satu lintasan forward.7
45
SenseTime merilis model ini pada 30 Oktober 2026. Bobotnya tersedia di Hugging Face, kode proyeknya dapat diakses di GitHub, dan proyek tersebut tercantum menggunakan lisensi Apache 2.0.7
16
25 Desainnya menarik, tetapi klaim bahwa kinerjanya menyaingi model yang jauh lebih besar perlu dipahami sebagai hasil benchmark yang dilaporkan perusahaan, bukan jaminan performa setara untuk semua penggunaan.
Dari 32 layer menjadi 56 eksekusi
Decoder menjalankan empat layer pertama satu kali, layer 4 hingga 27 dua kali dengan bobot yang sama, lalu empat layer terakhir satu kali. Perhitungannya: empat eksekusi di awal, 48 pada blok berulang, dan empat di akhir—total 56 eksekusi.45
Perbedaan pentingnya adalah antara jumlah layer yang berbeda dan jumlah eksekusi layer. Pengulangan blok tengah menambah komputasi tanpa menyimpan satu set bobot baru untuk putaran kedua. Namun, jalur dengan 56 eksekusi tidak otomatis lebih cepat atau lebih ringan saat dijalankan. Kecepatan dan kebutuhan sumber daya tetap bergantung pada implementasi serta lingkungan penerapan.
Kartu model mencatat sekitar 9 miliar parameter total dan 14,6 miliar “parameter inferensi”.6 Angka tersebut memakai cara penghitungan yang berbeda. Angka yang lebih besar bukan berarti ada 14,6 miliar bobot tersimpan secara terpisah, dan tidak membuktikan model ini setara dengan model konvensional berukuran sama.
Peran mHC dan pola attention
Pada bagian yang diulang, model menggunakan two-stream manifold-constrained hyper-connections (mHC). Dua jalur residual membawa informasi melalui komputasi decoder. Pemetaan yang dipelajari model mengatur cara informasi dibaca dan dicampur ant jalur, serta bagaimana keluaran layer dimasukkan kembali. Dokumentasi proyek menyebut normalisasi Sinkhorn untuk membatasi pemetaan pencampuran tersebut, dengan konfigurasi dua jalur dan 20 iterasi normalisasi.8
20
Dokumentasi model juga menjelaskan pola attention hibrida: tiga layer linear attention bergantian dengan satu layer full attention.32 Ini adalah rincian arsitektur, bukan bukti bahwa model pasti lebih cepat atau lebih mampu untuk setiap jenis pekerjaan.
Masukan, konteks, dan penggunaan yang dituju
SenseNova-Loop-9B-Preview menerima teks dan gambar, lalu menghasilkan teks. SenseTime menyebut pemahaman dokumen, pemrograman, dan interaksi dengan alat eksternal sebagai jenis tugas yang dituju.7 Pengaturan pelatihan yang didokumentasikan mendukung urutan hingga 262.144 token serta mencakup masukan multimodal dan rangkaian tugas terawasi.
6 Liputan TechNode menyebut campuran data pelatihannya mencakup teks, gambar, kode, dan contoh penggunaan alat.
30
Batas panjang urutan saat pelatihan bukan jaminan bahwa model akan mampu menemukan kembali informasi atau bernalar dengan andal dari setiap token dalam masukan sepanjang itu. Kemampuan konteks panjang sebaiknya diuji pada tugas yang benar-benar akan digunakan.
Apa yang ditunjukkan klaim benchmark?
SenseTime mempromosikan model ini sebagai model dengan kinerja kelas 27 miliar parameter dan menyoroti perbandingannya dengan Qwen3.5-27B pada WorkBuddy Bench, RaccoonPPT Bench, dan AutomationBench.16
36 Klaim tersebut merujuk pada evaluasi tertentu yang disampaikan perusahaan, bukan bukti bahwa kedua model setara di semua tugas. Materi yang tersedia belum cukup rinci untuk menilai perbandingan itu secara independen atau mengetahui seberapa luas hasilnya berlaku.
Kartu model mencantumkan sejumlah benchmark, antara lain BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench, dan RaccoonPPTBench.17 Pencantuman nama benchmark saja tidak menunjukkan bahwa model menang, atau menjelaskan bagaimana hasilnya diperoleh. Kartu model juga menandai laporan teknisnya sebagai “TBD”, sehingga pembaca belum mendapatkan penjelasan lebih lengkap mengenai metode dan hasil.
1
Status dukungan inferensi
Dokumentasi proyek menyatakan multi-token prediction (MTP) tersedia untuk akselerasi inferensi.6
20 Namun, ketersediaan metode bukan berarti peningkatan kecepatannya sudah terukur: materi yang ada tidak menunjukkan hasil latensi atau throughput pada beragam perangkat keras dan beban kerja.
Dspark dan Dflash2 tercatat masih dalam pengembangan dengan pelatihan yang sedang berlangsung, dan dokumentasi proyek memuat instruksi pelatihan terkait.5
20 Instruksi tersebut menunjukkan adanya jalur pelatihan, tetapi tidak membuktikan bahwa draft checkpoint siap digunakan atau bahwa peningkatan kecepatannya telah diverifikasi secara independen.
Intinya
SenseNova-Loop-9B-Preview mengeksplorasi satu kompromi yang jelas: mengulang blok tengah untuk menambah kedalaman komputasi, sambil tetap memakai bobot yang sama. Angka parameter, pengaturan pelatihan konteks panjang, dan klaim benchmark perlu dibedakan dari efisiensi saat dijalankan dan kemampuan yang telah diverifikasi secara independen. Untuk keputusan penerapan, yang paling penting adalah mengujinya pada tugas sasaran dan mengukur penggunaan memori, latensi, serta kualitas hasil di lingkungan yang akan dipakai.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "SenseNova-Loop-9B-Preview: Cara SenseTime Membuat 32 Layer Bekerja 56 Kali"?
Dirilis pada 30 Oktober 2026, SenseNova Loop 9B Preview mengeksekusi blok bersama berisi 24 layer decoder dua kali: 56 eksekusi dari 32 layer berbeda.
Apa poin penting yang harus divalidasi terlebih dahulu?
Dirilis pada 30 Oktober 2026, SenseNova Loop 9B Preview mengeksekusi blok bersama berisi 24 layer decoder dua kali: 56 eksekusi dari 32 layer berbeda. Model ini memiliki sekitar 9 miliar parameter total dan dilatih untuk konteks hingga 262.144 token; panjang konteks itu bukan jaminan kinerja pada setiap tugas.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Klaim mampu menandingi model kelas 27 miliar parameter berasal dari evaluasi yang dipromosikan SenseTime dan belum disertai laporan teknis lengkap.