AnswersPublished23 sources
SenseNova-Loop-9B-Preview: як 32 шари перетворюються на 56 обчислювальних кроків
Випущена 30 жовтня 2026 року модель SenseNova Loop 9B Preview двічі виконує спільний блок із 24 шарів декодера: усього 56 виконань на основі 32 різних шарів. Повторне використання шарів збільшує обчислювальну глибину без зберігання другої копії ваг цього блоку, але саме по собі не доводить вищої швидкодії.
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Випущена 30 жовтня 2026 року модель SenseNova Loop 9B Preview двічі виконує спільний блок із 24 шарів декодера: усього 56 виконань на основі 32 різних шарів.
- Повторне використання шарів збільшує обчислювальну глибину без зберігання другої копії ваг цього блоку, але саме по собі не доводить вищої швидкодії.
- Заявлені SenseTime результати на окремих тестах не є незалежним підтвердженням того, що модель загалом дорівнює значно більшим системам.
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 від SenseTime — мультимодальна модель із відкритими вагами, розрахована на роботу з довгим контекстом і сценарії з AI-агентами. Її головна архітектурна особливість — повторне використання тих самих середніх 24 шарів декодера: модель має 32 різні шари, але виконує 56 проходів через шари за один прямий прохід. Так обчислювальна глибина зростає без збереження окремого набору ваг для повторюваного блоку.7
45
SenseTime випустила модель 30 жовтня 2026 року. Її ваги доступні на Hugging Face, код проєкту — на GitHub; у репозиторії вказана ліцензія Apache 2.0.7
16
25 Архітектура цікава сама по собі, однак заяви про результати на рівні значно більших моделей слід розглядати саме як повідомлені компанією результати окремих тестів, а не як загальну гарантію однакової якості.
Як 32 шари дають 56 виконань
Спочатку декодер один раз проходить перші чотири шари, потім двічі — шари з індексами 4–27, використовуючи ті самі ваги, і насамкінець один раз виконує останні чотири. Підсумок: 4 початкові проходи, 48 проходів через повторюваний блок і 4 фінальні — разом 56 виконань.45
Тут важливо розрізняти кількість різних шарів і кількість виконань шарів. Повторне використання середнього блоку додає обчислення, але не потребує ще одного набору збережених параметрів. Водночас 56 виконань не означають автоматично, що модель працює швидше або потребує менше ресурсів: це залежить від реалізації та умов розгортання.
У картці моделі вказано приблизно 9 мільярдів загальних параметрів і 14,6 мільярда «параметрів для інференсу».6 Це різні способи обліку. Більше число не слід трактувати як 14,6 мільярда незалежно збережених ваг або як доказ того, що модель працює на рівні звичайної моделі такого розміру.
Для чого потрібні mHC та гібридна увага
У повторюваній частині моделі застосовано двопотокові manifold-constrained hyper-connections (mHC) — гіперзв’язки з обмеженням на багатовимірному многовиді. Два залишкові потоки передають інформацію під час обчислень декодера, а навчені відображення визначають, як модель зчитує та змішує ці потоки й додає до них виходи шарів. У документації проєкту зазначено, що нормалізація Sinkhorn обмежує матрицю змішування потоків; конфігурація передбачає два потоки та 20 ітерацій нормалізації.8
20
Документація також описує чергування трьох шарів лінійної уваги з одним шаром повної уваги.32 Це характеристика архітектури, але сама по собі вона не доводить, що модель буде швидшою чи здібнішою для кожного типу завдань.
Вхідні дані, довгий контекст і сценарії використання
SenseNova-Loop-9B-Preview приймає текст і зображення, а генерує текст. SenseTime орієнтує її на завдання з розуміння документів, програмування та взаємодії із зовнішніми інструментами.7 Документований навчальний процес підтримує послідовності довжиною до 262 144 токенів і включає мультимодальні дані та супервізовані траєкторії виконання завдань.
6 У матеріалі TechNode про випуск моделі зазначено, що навчальна суміш містить текст, зображення, код і приклади використання інструментів.
30
Максимальна довжина навчальної послідовності не гарантує, що модель надійно знайде потрібну інформацію чи міркуватиме над кожним токеном у запиті такого розміру. Практичну якість роботи з довгим контекстом потрібно перевіряти на конкретних завданнях.
Що показують заяви про результати тестів — і чого вони не доводять
SenseTime представляє модель як таку, що досягає результатів приблизно на рівні систем класу 27B, і наголошує на порівняннях із Qwen3.5-27B у WorkBuddy Bench, RaccoonPPT Bench та AutomationBench.16
36 Це заяви компанії про окремі оцінювання, а не доказ рівноцінності на всіх завданнях. Доступних матеріалів недостатньо, щоб незалежно оцінити методику порівнянь або зрозуміти, наскільки широко ці висновки можна узагальнювати.
У картці моделі перелічені результати для BIRD-Dev, WorkBuddy Bench, AIDABench, TeamBench, Terminal Bench 2.1, T³-Banking, AutomationBench і RaccoonPPTBench.17 Сам факт, що тест є в переліку, ще не означає перемоги в ньому й не пояснює, як саме отримали результат. До того ж у картці технічний звіт позначений як «TBD» — тобто його ще не оприлюднено, — тож повнішого опису методів і результатів наразі бракує.
1
Прискорення інференсу: що вже задокументовано
У документації проєкту зазначено підтримку MTP (multi-token prediction, передбачення кількох токенів) для прискорення інференсу.6
20 Це свідчить про підтримку методу, але не про виміряний приріст швидкості: наявні матеріали не підтверджують виграш у затримці чи пропускній здатності для різного обладнання та навантажень.
Dspark і Dflash2 у документації вказані як розроблювані, а їхнє навчання — як таке, що триває; також наведені пов’язані інструкції з навчання.5
20 Наявність таких інструкцій підтверджує роботу над відповідними процесами, але не доводить, що готові чернеткові контрольні точки вже доступні або що прискорення незалежно перевірили.
Що це означає на практиці
SenseNova-Loop-9B-Preview досліджує конкретний компроміс: повторно використовувати середній блок, збільшуючи обчислювальну глибину без дублювання його ваг. Заявлені обсяги параметрів, навчання на довгих послідовностях і результати тестів варто відрізняти від реальної швидкодії та незалежно підтверджених можливостей. Для вибору моделі під конкретне розгортання важливі її якість на потрібних завданнях, виміряне споживання пам’яті та затримка саме в цільовому середовищі.
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: як 32 шари перетворюються на 56 обчислювальних кроків"?
Випущена 30 жовтня 2026 року модель SenseNova Loop 9B Preview двічі виконує спільний блок із 24 шарів декодера: усього 56 виконань на основі 32 різних шарів.
What are the key points to validate first?
Випущена 30 жовтня 2026 року модель SenseNova Loop 9B Preview двічі виконує спільний блок із 24 шарів декодера: усього 56 виконань на основі 32 різних шарів. Повторне використання шарів збільшує обчислювальну глибину без зберігання другої копії ваг цього блоку, але саме по собі не доводить вищої швидкодії.
What should I do next in practice?
Заявлені SenseTime результати на окремих тестах не є незалежним підтвердженням того, що модель загалом дорівнює значно більшим системам.