AnswersPublished23 sources
SenseNova-Loop: 56 beregningstrinn uten et ekstra sett vekter
SenseNova Loop 9B Preview ble lansert 30. oktober 2026. Modellkortet oppgir rundt 9 milliarder parametere totalt og 14,6 milliarder «inference parameters» – to ulike mål som ikke bør forveksles med antall separat lagrede vekter.
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- SenseNova Loop 9B Preview ble lansert 30. oktober 2026.
- Modellkortet oppgir rundt 9 milliarder parametere totalt og 14,6 milliarder «inference parameters» – to ulike mål som ikke bør forveksles med antall separat lagrede vekter.
- SenseTimes påstander om resultater på nivå med modeller på rundt 27 milliarder parametere er selskapets egne benchmarkresultater.
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
SenseTimes SenseNova-Loop-9B-Preview er en multimodal modell med åpne vekter, laget for lange kontekster og arbeidsflyter der KI-en bruker verktøy. Det særpregede grepet er at modellen gjenbruker de samme 24 midterste dekoderlagene to ganger. Dermed består den av 32 ulike lag, men utfører 56 lagkjøringer i én fremoverpassering – uten å lagre et nytt sett vekter for den gjentatte blokken.7
45
Modellen ble lansert 30. oktober 2026. Vektene finnes på Hugging Face, og prosjektkoden er publisert på GitHub. Prosjektet er oppført med Apache 2.0-lisens.7
16
25 Arkitekturen er interessant, men påstander om at modellen kan måle seg med langt større modeller, bør leses som SenseTimes resultater fra utvalgte tester – ikke som en garanti for tilsvarende ytelse i alle oppgaver.
Fra 32 ulike lag til 56 kjøringer
De fire første dekoderlagene kjøres én gang. Deretter kjøres lag 4 til 27 – en blokk på 24 lag – to ganger med de samme vektene. De fire siste lagene kjøres én gang. Regnestykket blir 4 + 48 + 4 = 56 lagkjøringer.45
Det er forskjell på antall ulike lag og antall ganger lagene kjøres. Gjenbruket øker beregningsdybden uten at modellen trenger en separat kopi av vektene til den andre runden. Men 56 lagkjøringer betyr ikke automatisk at modellen går raskere eller bruker færre ressurser i praktisk drift. Fart og ressursbruk avhenger blant annet av hvordan modellen er implementert og hvor den kjøres.
Modellkortet oppgir omtrent 9 milliarder parametere totalt og 14,6 milliarder «inference parameters».6 Dette er ulike måter å telle på. Det høyere tallet betyr ikke at modellen har 14,6 milliarder separat lagrede vekter, eller at den dermed yter som en vanlig modell med tilsvarende størrelse.
To informasjonsstrømmer og en hybrid oppmerksomhetsmekanisme
I den gjentatte delen bruker modellen to strømmer med manifold-constrained hyper-connections, forkortet mHC. Strømmene fører informasjon gjennom beregningene i dekoderlagene. Lærte koblinger styrer hvordan lagene leser og blander informasjon fra strømmene, og hvordan resultatene føres videre. Prosjektdokumentasjonen beskriver Sinkhorn-normalisering som en begrensning på blandingen mellom strømmene, med to strømmer og 20 normaliseringsrunder.8
20
Dokumentasjonen beskriver også et oppmerksomhetsmønster der tre lag med lineær oppmerksomhet veksler med ett lag med full oppmerksomhet.32 Dette er en arkitekturbeskrivelse, ikke i seg selv dokumentasjon på at modellen er raskere eller bedre for alle typer oppgaver.
Tekst, bilder og lange kontekster
SenseNova-Loop-9B-Preview tar inn tekst og bilder og genererer tekst. SenseTime peker på bruksområder som dokumentforståelse, programmering og samhandling med eksterne verktøy.7 Den dokumenterte treningen støtter sekvenser på opptil 262 144 tokener og omfatter multimodale data og veiledede oppgaveforløp.
6 TechNode beskriver treningsmiksen som blant annet tekst, bilder, kode og eksempler på verktøybruk.
30
En oppgitt maksimal sekvenslengde er ikke en garanti for at modellen alltid finner fram til eller resonnerer riktig om informasjon i en tekst av den lengden. Hvor godt langkontekstfunksjonene virker, må testes på oppgaven modellen faktisk skal brukes til.
Hva benchmarkpåstandene forteller – og ikke forteller
SenseTime har framhevet ytelse på nivå med modeller i klassen rundt 27 milliarder parametere, og sammenlignet modellen med Qwen3.5-27B på WorkBuddy Bench, RaccoonPPT Bench og AutomationBench.16
36 Dette er selskapets påstander om utvalgte evalueringer, ikke dokumentasjon på at modellene er like gode på tvers av alle oppgaver. Det tilgjengelige materialet gir ikke nok detaljer til at sammenligningene eller hvor generelle resultatene er, kan vurderes uavhengig.
Modellkortet viser også benchmarkresultater for blant annet BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench og RaccoonPPTBench.17 At en test står på listen, viser ikke alene at modellen vant, eller hvordan resultatet ble målt. Modellkortet oppgir dessuten den tekniske rapporten som «TBD», så en mer utførlig redegjørelse for metode og resultater mangler foreløpig.
1
Status for verktøy som skal gjøre inferensen raskere
Prosjektdokumentasjonen sier at modellen støtter multi-token prediction (MTP) for raskere inferens.6
20 Det betyr at metoden er støttet, men er ikke det samme som en målt fartsøkning. Det tilgjengelige materialet dokumenterer ikke forbedringer i svartid eller gjennomstrømning på tvers av maskinvare og arbeidsbelastninger.
Dspark og Dflash2 er oppført som under utvikling, med trening pågående, og dokumentasjonen inneholder tilhørende treningsinstruksjoner.5
20 Instruksjonene viser at det finnes treningsløp for disse metodene. De bekrefter ikke at ferdige utkastmodeller er tilgjengelige, eller at noen fartsøkning er uavhengig verifisert.
Kort oppsummert
SenseNova-Loop-9B-Preview prøver å få mer beregningsdybde ved å kjøre en midtblokk på nytt med delte vekter. Det er nyttig å skille dette designvalget fra modellens faktiske fart og kvalitet i bruk. Før man vurderer den for en konkret oppgave, er de viktigste spørsmålene hvordan den presterer der – og hva målinger av minnebruk, svartid og kvalitet viser i det aktuelle oppsettet.
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: 56 beregningstrinn uten et ekstra sett vekter"?
SenseNova Loop 9B Preview ble lansert 30. oktober 2026.
What are the key points to validate first?
SenseNova Loop 9B Preview ble lansert 30. oktober 2026. Modellkortet oppgir rundt 9 milliarder parametere totalt og 14,6 milliarder «inference parameters» – to ulike mål som ikke bør forveksles med antall separat lagrede vekter.
What should I do next in practice?
SenseTimes påstander om resultater på nivå med modeller på rundt 27 milliarder parametere er selskapets egne benchmarkresultater.