AnswersPublished23 sources
Så får SenseNova-Loop-9B-Preview 56 beräkningssteg ur 32 lager
SenseTime släppte modellen den 30 oktober 2026. De öppna vikterna finns på Hugging Face och projektkoden på GitHub. Modellen kör sina 24 mittersta decoderlager två gånger med delade vikter: 32 distinkta lager ger totalt 56 lagerkörningar per framåtpass.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- SenseTime släppte modellen den 30 oktober 2026. De öppna vikterna finns på Hugging Face och projektkoden på GitHub.
- Modellen kör sina 24 mittersta decoderlager två gånger med delade vikter: 32 distinkta lager ger totalt 56 lagerkörningar per framåtpass.
- Påståenden om prestanda i nivå med modeller på omkring 27 miljarder parametrar bygger på företagets egna benchmarkresultat och bör inte ses som en generell jämförelse.
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 är en öppen multimodal modell som utvecklats för långa kontexter och arbetsflöden där en AI-agent kan använda verktyg. Den utmärker sig genom att återanvända samma 24 mittersta decoderlager två gånger. Modellen har alltså 32 distinkta lager, men utför 56 lagerkörningar i ett framåtpass. Det ökar beräkningsdjupet utan att en extra uppsättning vikter behöver lagras för den upprepade delen.7
45
Modellen släpptes den 30 oktober 2026. Vikterna finns på Hugging Face och projektkoden på GitHub; projektet anges ha Apache 2.0-licens.7
16
25 Arkitekturen är intressant, men SenseTimes uppgifter om resultat i nivå med betydligt större modeller är företagets egna benchmarkpåståenden – inte någon allmän garanti om likvärdig prestanda.
Från 32 lager till 56 körningar
Decoderlagren körs i tre steg: de första fyra körs en gång, lager 4–27 körs två gånger med delade vikter och de sista fyra körs en gång. Det blir 56 körningar: fyra i början, 48 i det upprepade blocket och fyra i slutet.45
Skillnaden mellan distinkta lager och lagerkörningar är central. Genom att återanvända mittblocket tillför modellen beräkning utan att behöva lagra en separat uppsättning parametrar för den andra körningen. Men fler körningar innebär inte automatiskt snabbare drift eller lägre resursåtgång. Hastighet och minnesbehov beror bland annat på implementationen och hur modellen används.
Modellkortet anger cirka 9 miljarder parametrar totalt och 14,6 miljarder ”inference parameters”.6 Det är två olika sätt att räkna. Den högre siffran ska inte tolkas som 14,6 miljarder separat lagrade vikter eller som bevis för att modellen presterar som en konventionell modell i den storleksklassen.
mHC och uppmärksamhet
I den upprepade delen använder modellen mHC, eller manifold-constrained hyper-connections, med två residualströmmar. Strömmarna för information genom beräkningarna, medan inlärda avbildningar styr hur de läses av och blandas samt hur lagerutdata förs in i residualtillståndet. Projektdokumentationen beskriver hur Sinkhorn-normalisering begränsar blandningen mellan strömmarna och anger två strömmar med 20 normaliseringsiterationer.8
20
Modellens uppmärksamhetsmönster växlar också mellan tre lager med linjär uppmärksamhet och ett lager med full uppmärksamhet.32 Det beskriver hur arkitekturen är uppbyggd, men visar inte i sig att modellen blir snabbare eller bättre på alla typer av uppgifter.
Indata, kontext och användningsområden
SenseNova-Loop-9B-Preview tar emot text och bilder och genererar text. SenseTime lyfter fram användning inom dokumentförståelse, programmering och uppgifter där modellen interagerar med externa verktyg.7 Den dokumenterade träningskonfigurationen stöder sekvenser på upp till 262 144 token och omfattar multimodala indata och övervakade uppgiftsförlopp.
6 TechNodes rapportering om lanseringen beskriver träningsmaterial med text, bilder, kod och exempel på verktygsanvändning.
30
En maximal sekvenslängd i träningen är inte ett löfte om att modellen tillförlitligt kan hitta eller resonera kring varje token i en så lång indata. Förmågan att hantera långa kontexter behöver testas på de uppgifter som modellen faktiskt ska användas till.
Benchmarkresultat: vad påståendena säger – och inte säger
SenseTime har beskrivit modellen som jämförbar med modeller i storleksklassen 27 miljarder parametrar och lyft fram jämförelser med Qwen3.5-27B på WorkBuddy Bench, RaccoonPPT Bench och AutomationBench.16
36 Det är företagets påståenden om utvalda utvärderingar, inte belägg för likvärdighet i alla uppgifter. Det tillgängliga materialet ger inte tillräckligt med detaljer för att oberoende bedöma jämförelserna eller hur långt resultaten kan generaliseras.
Modellkortet listar även resultat för bland annat BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench och RaccoonPPTBench.17 Att ett test finns med på listan visar inte i sig att modellen vunnit eller hur resultatet har tagits fram. Modellkortet anger dessutom att den tekniska rapporten är ”TBD”, så den mer utförliga redogörelsen för metoder och resultat saknas ännu.
1
Inferensstöd: vad dokumentationen säger
Projektet uppger att modellen stöder multi-token prediction (MTP) för snabbare inferens.6
20 Det visar att metoden stöds, men är inte ett uppmätt hastighetslyft. Det tillgängliga materialet fastställer inga förbättringar av svarstid eller genomströmning för olika hårdvara och arbetsbelastningar.
Dspark och Dflash2 anges vara under utveckling, med träning pågående, och dokumentationen innehåller relaterade träningsinstruktioner.5
20 Det visar att det finns arbete med träningsflöden – inte att färdiga utkastkontroller finns tillgängliga eller att oberoende verifierade hastighetsvinster har uppnåtts.
Slutsatsen
SenseNova-Loop-9B-Preview utforskar en tydlig avvägning: genom att återanvända ett mittblock kan modellen öka beräkningsdjupet utan att duplicera blockets vikter. Uppgifterna om parametrar, långkontextträning och benchmarkresultat behöver samtidigt hållas isär från faktisk driftseffektivitet och oberoende verifierad förmåga. För den som överväger modellen är de viktigaste frågorna hur den fungerar på den aktuella uppgiften och vilken minnesåtgång, svarstid och kvalitet den uppnår i den tänkta miljön.
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 "Så får SenseNova-Loop-9B-Preview 56 beräkningssteg ur 32 lager"?
SenseTime släppte modellen den 30 oktober 2026. De öppna vikterna finns på Hugging Face och projektkoden på GitHub.
What are the key points to validate first?
SenseTime släppte modellen den 30 oktober 2026. De öppna vikterna finns på Hugging Face och projektkoden på GitHub. Modellen kör sina 24 mittersta decoderlager två gånger med delade vikter: 32 distinkta lager ger totalt 56 lagerkörningar per framåtpass.
What should I do next in practice?
Påståenden om prestanda i nivå med modeller på omkring 27 miljarder parametrar bygger på företagets egna benchmarkresultat och bör inte ses som en generell jämförelse.