AnswersPublished23 sources
SenseNova-Loop-9B-Preview, 24 katmanı iki kez çalıştırarak derinliği nasıl artırıyor?
SenseTime’ın 30 Ekim 2026’da yayımladığı model, 24 katmanlık ortak bir bloğu iki kez çalıştırarak 32 ayrı katmandan toplam 56 katman çalıştırması elde ediyor. Modelin yaklaşık 9 milyar toplam parametresi ve 14,6 milyar “çıkarım parametresi” bulunuyor; bu iki sayı farklı ölçüm biçimlerini ifade ediyor.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- SenseTime’ın 30 Ekim 2026’da yayımladığı model, 24 katmanlık ortak bir bloğu iki kez çalıştırarak 32 ayrı katmandan toplam 56 katman çalıştırması elde ediyor.
- Modelin yaklaşık 9 milyar toplam parametresi ve 14,6 milyar “çıkarım parametresi” bulunuyor; bu iki sayı farklı ölçüm biçimlerini ifade ediyor.
- SenseTime’ın daha büyük modellerle rekabet iddiaları şirketin paylaştığı kıyaslama sonuçlarına dayanıyor; teknik rapor henüz yayımlanmış değil.
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
SenseTime’ın SenseNova-Loop-9B-Preview modeli, uzun bağlamlı ve araçlarla etkileşen iş akışları için geliştirilmiş, açık ağırlıklı çok modlu bir model. Ayırt edici tasarımı, çözücüdeki orta 24 katmanı aynı ağırlıklarla iki kez çalıştırması: Modelde 32 farklı katman bulunuyor, ancak bir ileri geçişte toplam 56 katman çalıştırması yapılıyor. Böylece tekrar edilen blok için ikinci bir ağırlık seti depolamadan hesaplama derinliği artırılıyor.7
45
SenseTime modeli 30 Ekim 2026’da yayımladı. Ağırlıklar Hugging Face’te, proje kodu GitHub’da bulunuyor; proje Apache 2.0 lisansı altında listelenmiş durumda.7
16
25 Mimari dikkat çekici olsa da, çok daha büyük modellerle yarıştığı yönündeki açıklamaları şirketin belirli kıyaslamalara dayanan iddiaları olarak değerlendirmek gerekir; bunlar her görevde eşdeğer performans garantisi değildir.
32 katman nasıl 56 çalıştırmaya dönüşüyor?
Çözücünün ilk dört katmanı bir kez, 4’ten 27’ye kadar olan 24 katmanlık orta blok ortak ağırlıklarla iki kez, son dört katmanı da bir kez çalışıyor. Hesap şöyle: 4 + (24 × 2) + 4 = 56 katman çalıştırması.45
Buradaki önemli ayrım farklı katman sayısı ile katman çalıştırması sayısı arasında. Orta bloğu yeniden kullanmak hesaplamayı artırıyor, fakat ikinci tur için ayrı bir parametre kümesi gerektirmiyor. Yine de 56 çalıştırmalı bir yol, çalışma anında otomatik olarak daha hızlı ya da daha az kaynak tüketen bir model demek değil. Hız ve kaynak kullanımı uygulamaya ve dağıtım koşullarına bağlı.
Model kartında yaklaşık 9 milyar toplam parametre ve 14,6 milyar “çıkarım parametresi” belirtiliyor.6 Bunlar farklı hesaplama ölçütleri. Büyük olan rakamı, modelde bağımsız olarak depolanmış 14,6 milyar ağırlık bulunduğu şeklinde ya da bu ölçekteki geleneksel bir modelle aynı performansı verdiğinin kanıtı olarak okumamak gerekir.
mHC ve dikkat mekanizması ne yapıyor?
Tekrarlanan bölümde model, iki akışlı manifold kısıtlı hiperbağlantılar (mHC) kullanıyor. İki artık akış, çözücü hesaplamaları boyunca bilgi taşıyor; öğrenilebilir eşlemeler bu akışların nasıl okunacağını, birbirine nasıl karıştırılacağını ve katman çıktılarının duruma nasıl ekleneceğini düzenliyor. Proje belgelerine göre akışları karıştıran eşleme Sinkhorn normalizasyonuyla kısıtlanıyor; belgelenen yapılandırmada iki akış ve 20 normalizasyon iterasyonu var.8
20
Model belgelerinde ayrıca üç doğrusal dikkat katmanının ardından bir tam dikkat katmanının geldiği karma bir örüntü tarif ediliyor.32 Bu, mimariye dair bir bilgi; tek başına her iş yükünde daha hızlı ya da daha yetenekli olacağını göstermez.
Girdiler, bağlam uzunluğu ve hedeflenen işler
SenseNova-Loop-9B-Preview metin ve görüntü alıp metin üretiyor. SenseTime, modeli belge anlama, kodlama ve harici araçlarla etkileşim içeren işler için konumlandırıyor.7 Belgelenen eğitim düzeni, 262.144 tokene kadar dizileri destekliyor ve çok modlu girdilerle denetimli görev akışlarını içeriyor.
6 TechNode’un modelin yayımlanmasına ilişkin haberinde eğitim verilerinin metin, görüntü, kod ve araç kullanımı örneklerini kapsadığı aktarılıyor.
30
Ancak modelin eğitiminde kullanılan azami dizi uzunluğu, bu uzunluktaki her girdide bilgiyi güvenilir biçimde bulacağı veya akıl yürüteceği anlamına gelmiyor. Uzun bağlam başarısı, kullanılacağı görev üzerinde ayrıca ölçülmeli.
Kıyaslama iddiaları ne söylüyor, neyi kanıtlamıyor?
SenseTime, modelin yaklaşık 27 milyar parametre sınıfındaki modellerle yarıştığını öne çıkarıyor; ayrıca WorkBuddy Bench, RaccoonPPT Bench ve AutomationBench kıyaslamalarında Qwen3.5-27B ile karşılaştırmalara dikkat çekiyor.16
36 Bunlar şirketin seçilmiş değerlendirmelere ilişkin iddiaları; her görevde eşdeğerlik göstermez. Mevcut materyal, bu karşılaştırmaların ayrıntılarını ve ne ölçüde genellenebileceğini bağımsız olarak değerlendirmek için yeterli bilgi sunmuyor.
Model kartında BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench ve RaccoonPPTBench gibi testlerin sonuçları listeleniyor.17 Bir kıyaslamanın listede yer alması, modelin o testte kazandığını göstermez; sonucun nasıl elde edildiğini de tek başına açıklamaz. Üstelik model kartında teknik rapor hâlâ “TBD” olarak işaretli; dolayısıyla yöntem ve sonuçların daha kapsamlı açıklaması henüz mevcut değil.
1
Çıkarım hızlandırma: Belgelerde ne var?
Proje belgeleri, çıkarımı hızlandırmak için çoklu token tahmini (MTP) desteği bulunduğunu söylüyor.6
20 Bu, yöntemin desteklendiğini gösterir; ölçülmüş bir hız artışını değil. Mevcut kaynaklar farklı donanım ve iş yüklerinde gecikme ya da çıktı hızı kazanımı ortaya koymuyor.
Belgelerde Dspark ve Dflash2 geliştirme aşamasında, eğitimleri sürüyor olarak listelenmiş; ilgili eğitim yönergeleri de paylaşılmış.5
20 Bu yönergeler eğitim çalışmalarının bulunduğunu gösteriyor, ancak kullanıma hazır taslak kontrol noktalarının mevcut olduğunu veya hız kazanımlarının bağımsız biçimde doğrulandığını kanıtlamıyor.
Pratik sonuç
SenseNova-Loop-9B-Preview’ın temel yaklaşımı net: Orta katman bloğunu yeniden kullanarak, ağırlıklarını ikinci kez depolamadan hesaplama derinliğini artırmak. Modelin bildirdiği parametre sayılarını, uzun bağlam eğitimini ve kıyaslama iddialarını; çalışma anındaki verimlilikten ve bağımsız biçimde doğrulanmış yeteneklerden ayrı değerlendirmek önemli. Dağıtım kararı için belirleyici olan, hedef görevdeki performansı ile o ortamda ölçülen bellek kullanımı, gecikme ve çıktı kalitesi.
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-9B-Preview, 24 katmanı iki kez çalıştırarak derinliği nasıl artırıyor?"?
SenseTime’ın 30 Ekim 2026’da yayımladığı model, 24 katmanlık ortak bir bloğu iki kez çalıştırarak 32 ayrı katmandan toplam 56 katman çalıştırması elde ediyor.
What are the key points to validate first?
SenseTime’ın 30 Ekim 2026’da yayımladığı model, 24 katmanlık ortak bir bloğu iki kez çalıştırarak 32 ayrı katmandan toplam 56 katman çalıştırması elde ediyor. Modelin yaklaşık 9 milyar toplam parametresi ve 14,6 milyar “çıkarım parametresi” bulunuyor; bu iki sayı farklı ölçüm biçimlerini ifade ediyor.
What should I do next in practice?
SenseTime’ın daha büyük modellerle rekabet iddiaları şirketin paylaştığı kıyaslama sonuçlarına dayanıyor; teknik rapor henüz yayımlanmış değil.