AnswersPublished23 sources
SenseNova-Loop hergebruikt 24 lagen voor een diepere berekening
SenseTime bracht SenseNova Loop 9B Preview uit op 30 oktober 2026. Het model voert een gedeeld blok van 24 decoderlagen twee keer uit: 56 laagberekeningen met 32 verschillende lagen.
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- SenseTime bracht SenseNova Loop 9B Preview uit op 30 oktober 2026. Het model voert een gedeeld blok van 24 decoderlagen twee keer uit: 56 laagberekeningen met 32 verschillende lagen.
- De modelkaart vermeldt circa 9 miljard totale parameters en 14,6 miljard ‘inference parameters’.
- SenseTime presenteert sterke benchmarkresultaten, maar het technische rapport staat nog als ‘TBD’ vermeld.
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 is een multimodaal model van SenseTime, bedoeld voor lange contexten en workflows waarin AI met externe tools werkt. Het opvallendste ontwerpidee: dezelfde middelste 24 decoderlagen worden twee keer uitgevoerd. Zo heeft het model 32 verschillende lagen, maar doorloopt het in één voorwaartse berekening 56 laagstappen.7
45
SenseTime bracht het model uit op 30 oktober 2026. De gewichten zijn beschikbaar op Hugging Face en de projectcode staat op GitHub; de repository vermeldt de Apache 2.0-licentie.7
16
25 De architectuur is interessant, maar uitspraken dat het model kan wedijveren met veel grotere modellen zijn claims van SenseTime op basis van specifieke benchmarks, geen algemene garantie voor vergelijkbare prestaties.
Van 32 verschillende lagen naar 56 berekeningen
De decoder voert de eerste vier lagen één keer uit, daarna de middelste 24 — lagen 4 tot en met 27 — twee keer met gedeelde gewichten, en tot slot de laatste vier lagen één keer. De optelsom is 56 uitvoeringen: vier aan het begin, 48 in het herhaalde blok en vier aan het eind.45
Het onderscheid zit tussen verschillende lagen en uitvoeringen van lagen. Door het middendeel opnieuw te gebruiken, voegt het model berekeningen toe zonder voor die tweede ronde een aparte set gewichten op te slaan. Dat betekent niet automatisch dat het model tijdens gebruik sneller of minder veeleisend is: snelheid en benodigde middelen hangen ook af van de implementatie en de omgeving waarin het draait.
De modelkaart vermeldt ongeveer 9 miljard totale parameters en 14,6 miljard ‘inference parameters’.6 Dat zijn verschillende manieren om parameters te tellen. Het grotere getal betekent niet dat er 14,6 miljard afzonderlijke gewichten zijn opgeslagen, en bewijst evenmin dat het model presteert als een conventioneel model van die omvang.
Wat mHC en aandacht doen
In het herhaalde deel gebruikt het model two-stream manifold-constrained hyper-connections (mHC). Twee residuele informatiestromen lopen door de decoderberekeningen. Aangeleerde mappings bepalen hoe informatie uit die stromen wordt gelezen en gemengd, en hoe de uitvoer van een laag erin wordt opgenomen. Volgens de projectdocumentatie begrenst Sinkhorn-normalisatie de mengmapping; de beschreven configuratie gebruikt twee stromen en 20 normalisatie-iteraties.8
20
De documentatie beschrijft daarnaast een patroon waarin drie lagen met lineaire aandacht worden afgewisseld met één laag met volledige aandacht.32 Dat is een architectuurkeuze, maar op zichzelf geen bewijs dat het model bij elke taak sneller of capabeler is.
Invoer, context en beoogd gebruik
SenseNova-Loop-9B-Preview kan tekst en afbeeldingen verwerken en tekst genereren. SenseTime noemt toepassingen zoals documentbegrip, programmeren en interactie met externe tools.7 De beschreven trainingsopzet ondersteunt sequenties tot 262.144 tokens en omvat multimodale invoer en begeleide taaktrajecten.
6 TechNode meldt dat de trainingsmix onder meer tekst, afbeeldingen, code en voorbeelden van toolgebruik bevat.
30
Een maximale trainingslengte is geen garantie dat het model bij elke invoer van die omvang alle informatie betrouwbaar kan terugvinden of er goed over kan redeneren. De prestaties op lange contexten moeten worden getest voor de taak waarvoor het model wordt ingezet.
Benchmarkclaims: wat weten we wel en niet?
SenseTime stelt dat het model prestaties haalt in de klasse van modellen met ongeveer 27 miljard parameters. Het bedrijf wijst daarbij onder meer op vergelijkingen met Qwen3.5-27B op WorkBuddy Bench, RaccoonPPT Bench en AutomationBench.16
36 Dit zijn claims over specifieke evaluaties, geen bewijs dat de modellen op alle taken gelijkwaardig zijn. De beschikbare informatie bevat onvoldoende details om de vergelijkingen onafhankelijk te beoordelen of te bepalen hoe breed ze gelden.
De modelkaart noemt ook resultaten voor benchmarks als BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench en RaccoonPPTBench.17 Dat een benchmark op de lijst staat, zegt op zichzelf niet of het model daar heeft gewonnen of hoe de score tot stand kwam. Bovendien staat het technische rapport in de modelkaart nog als ‘TBD’, waardoor een uitgebreidere verantwoording van methoden en resultaten ontbreekt.
1
Inferentieversnelling: wat is gedocumenteerd?
Volgens de projectdocumentatie ondersteunt het model multi-token prediction (MTP) voor inferentieversnelling.6
20 Dat bevestigt dat de methode wordt ondersteund, maar is geen gemeten snelheidswinst: de beschikbare informatie onderbouwt geen verbeteringen in latentie of doorvoer voor verschillende hardware en werklasten.
Dspark en Dflash2 staan in de documentatie als in ontwikkeling, met training in uitvoering; er zijn ook bijbehorende trainingsinstructies.5
20 Dat laat zien dat er aan trainingsroutes wordt gewerkt, maar bewijst niet dat kant-en-klare draft-checkpoints beschikbaar zijn of dat de snelheidswinst onafhankelijk is bevestigd.
De praktische conclusie
SenseNova-Loop-9B-Preview onderzoekt een duidelijke afweging: door een middendeel van de decoder opnieuw te gebruiken, vergroot het model zijn rekendiepte zonder de bijbehorende gewichten te verdubbelen. De gerapporteerde parameteraantallen, de training met lange contexten en de benchmarkclaims moeten wel los worden gezien van daadwerkelijke efficiëntie en onafhankelijk aangetoonde prestaties. Voor gebruik in de praktijk zijn vooral metingen op de beoogde taak van belang: kwaliteit, geheugengebruik en snelheid in de omgeving waarin het model moet draaien.
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 hergebruikt 24 lagen voor een diepere berekening"?
SenseTime bracht SenseNova Loop 9B Preview uit op 30 oktober 2026. Het model voert een gedeeld blok van 24 decoderlagen twee keer uit: 56 laagberekeningen met 32 verschillende lagen.
What are the key points to validate first?
SenseTime bracht SenseNova Loop 9B Preview uit op 30 oktober 2026. Het model voert een gedeeld blok van 24 decoderlagen twee keer uit: 56 laagberekeningen met 32 verschillende lagen. De modelkaart vermeldt circa 9 miljard totale parameters en 14,6 miljard ‘inference parameters’.
What should I do next in practice?
SenseTime presenteert sterke benchmarkresultaten, maar het technische rapport staat nog als ‘TBD’ vermeld.