AnswersPublished23 sources
Come SenseNova-Loop porta un decoder da 32 a 56 passaggi
Rilasciato il 30 ottobre 2026, SenseNova Loop 9B Preview esegue due volte lo stesso blocco centrale di 24 livelli: 56 esecuzioni in totale a partire da 32 livelli distinti. Il modello accetta testo e immagini e genera testo; la documentazione indica un contesto di addestramento fino a 262.144 token.
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Rilasciato il 30 ottobre 2026, SenseNova Loop 9B Preview esegue due volte lo stesso blocco centrale di 24 livelli: 56 esecuzioni in totale a partire da 32 livelli distinti.
- Il modello accetta testo e immagini e genera testo; la documentazione indica un contesto di addestramento fino a 262.144 token.
- I risultati sui benchmark e il confronto con modelli da circa 27 miliardi di parametri sono dichiarazioni di SenseTime: il rapporto tecnico risulta ancora da pubblicare.
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 è un modello multimodale open-weight di SenseTime, pensato per contesti lunghi e flussi di lavoro con agenti. La sua scelta architetturale distintiva è ripetere due volte gli stessi 24 livelli centrali del decoder: i livelli distinti sono 32, ma in un passaggio completo il modello ne esegue 56.7
45
SenseTime lo ha rilasciato il 30 ottobre 2026. I pesi sono disponibili su Hugging Face e il codice del progetto è pubblico su GitHub; il repository indica la licenza Apache 2.0.7
16
25 L’architettura è interessante, ma le affermazioni secondo cui il modello sarebbe competitivo con sistemi molto più grandi vanno lette come risultati comunicati dall’azienda su specifici benchmark, non come una garanzia generale di prestazioni equivalenti.
Come 32 livelli diventano 56 esecuzioni
Il decoder esegue una volta i primi quattro livelli, ripete due volte i livelli dal 4 al 27 condividendone i pesi, quindi esegue una volta gli ultimi quattro. Il conto è: 4 passaggi iniziali, 48 nel blocco ripetuto e 4 finali, per un totale di 56 esecuzioni.45
La distinzione importante è tra livelli distinti ed esecuzioni dei livelli. Riutilizzare il blocco centrale aumenta il lavoro di calcolo senza richiedere una seconda copia dei relativi pesi. Ma 56 esecuzioni non significano automaticamente tempi di risposta inferiori o minori risorse durante l’uso: velocità e consumi dipendono dall’implementazione e dalle condizioni di esecuzione.
La scheda del modello indica circa 9 miliardi di parametri complessivi e 14,6 miliardi di «parametri di inferenza».6 Sono due conteggi diversi: il valore più alto non va interpretato come 14,6 miliardi di pesi memorizzati in modo indipendente, né come prova che il modello si comporti come un sistema convenzionale di quella dimensione.
Il ruolo di mHC e dell’attenzione
Nel blocco ripetuto il modello usa mHC, acronimo di manifold-constrained hyper-connections a due flussi. Due flussi residui trasportano informazioni attraverso i calcoli del decoder; mappe apprese stabiliscono come leggere e combinare i flussi e come integrare le uscite dei livelli. La documentazione indica che la normalizzazione di Sinkhorn vincola la mappa che miscela i flussi e specifica due flussi con 20 iterazioni di normalizzazione.8
20
La documentazione descrive inoltre uno schema di attenzione ibrido: tre livelli di attenzione lineare alternati a un livello di attenzione completa.32 È un dettaglio architetturale, non una prova che il modello sarà più veloce o più capace per ogni tipo di lavoro.
Input, contesto e usi previsti
SenseNova-Loop-9B-Preview riceve testo e immagini e produce testo. SenseTime lo presenta per attività che comprendono la lettura di documenti, la programmazione e l’interazione con strumenti esterni.7 Le ricette di addestramento documentate arrivano a sequenze di 262.144 token e includono input multimodali e traiettorie supervisionate per lo svolgimento di compiti.
6 La ricostruzione di TechNode descrive un insieme di dati che comprende testo, immagini, codice ed esempi di uso di strumenti.
30
Una lunghezza massima usata in addestramento non garantisce che il modello recuperi informazioni o ragioni in modo affidabile su ogni token di un input altrettanto lungo. Le prestazioni effettive sui contesti estesi vanno valutate rispetto al compito specifico.
Cosa dicono i benchmark e cosa resta da verificare
SenseTime ha presentato il modello come capace di avvicinarsi alle prestazioni della fascia dei 27 miliardi di parametri e ha messo in evidenza confronti con Qwen3.5-27B su WorkBuddy Bench, RaccoonPPT Bench e AutomationBench.16
36 Sono affermazioni dell’azienda su valutazioni selezionate: non dimostrano equivalenza su tutti i compiti. Le informazioni disponibili non bastano a valutare in modo indipendente i dettagli dei confronti o quanto siano generalizzabili.
La scheda del modello elenca risultati su benchmark come BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench e RaccoonPPTBench.17 La presenza di un test nell’elenco non dimostra, da sola, una vittoria né chiarisce come sia stato ottenuto il risultato. Inoltre, il rapporto tecnico è ancora indicato come «TBD», quindi manca un resoconto più completo di metodi e risultati.
1
Accelerazione dell’inferenza: cosa risulta documentato
La documentazione del progetto dichiara il supporto a MTP (multi-token prediction) per accelerare l’inferenza.6
20 Questo descrive una funzionalità supportata, non uno speed-up misurato: le informazioni disponibili non stabiliscono guadagni di latenza o throughput validi su hardware e carichi di lavoro diversi.
Dspark e Dflash2 risultano in sviluppo, con l’addestramento in corso; sono disponibili anche istruzioni di addestramento correlate.5
20 Queste indicazioni documentano percorsi di lavoro per l’addestramento, ma non dimostrano che siano disponibili checkpoint di bozza pronti all’uso o speed-up verificati in modo indipendente.
In breve
SenseNova-Loop-9B-Preview esplora un compromesso preciso: ripetere un blocco centrale per aumentare la profondità di calcolo mantenendone condivisi i pesi. I conteggi dei parametri, il contesto di addestramento e le dichiarazioni sui benchmark vanno tenuti distinti dall’efficienza durante l’esecuzione e dalle capacità verificate in modo indipendente. Per decidere se impiegarlo, conta soprattutto misurarne qualità, memoria e latenza sul compito e nell’ambiente di destinazione.
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 "Come SenseNova-Loop porta un decoder da 32 a 56 passaggi"?
Rilasciato il 30 ottobre 2026, SenseNova Loop 9B Preview esegue due volte lo stesso blocco centrale di 24 livelli: 56 esecuzioni in totale a partire da 32 livelli distinti.
What are the key points to validate first?
Rilasciato il 30 ottobre 2026, SenseNova Loop 9B Preview esegue due volte lo stesso blocco centrale di 24 livelli: 56 esecuzioni in totale a partire da 32 livelli distinti. Il modello accetta testo e immagini e genera testo; la documentazione indica un contesto di addestramento fino a 262.144 token.
What should I do next in practice?
I risultati sui benchmark e il confronto con modelli da circa 27 miliardi di parametri sono dichiarazioni di SenseTime: il rapporto tecnico risulta ancora da pubblicare.