商汤的 SenseNova-Loop-9B-Preview 是一款面向长上下文和智能体工作流的开放权重多模态模型。它的核心设计不是为每次计算都增加一组新权重，而是让解码器中间的24层共享权重、重复执行：模型有32个不同的解码器层，但一次前向传播会执行56次层计算。745

模型于2026年10月30日发布，权重可在 Hugging Face 获取，项目代码公开在 GitHub，项目采用 Apache 2.0 许可证。71625 这套架构值得关注；不过，所谓可与更大模型竞争的说法，应视为商汤公布的特定基准测试结果，而非对所有任务表现的保证。

32层如何变成56次计算

模型先执行最前面的4层，再将第4至第27层组成的24层模块以共享权重的方式连续执行两遍，最后执行末尾4层。计算量合计为56次：开头4次、中间模块24层重复两遍共48次、结尾4次。45

这里要区分不同的层数和层的执行次数。重复使用中间模块增加了计算深度，却无需为第二遍另存一套该模块的参数。但计算路径有56次层执行，并不自动意味着推理更快或运行资源需求更低；实际速度和资源消耗取决于实现方式与部署条件。

模型卡列出的参数口径约为90亿总参数，以及146亿“推理参数”。6 两者是不同的统计口径；较大的数字不应被理解为模型存有146亿个彼此独立的权重，也不能证明它的表现等同于常规的同规模模型。

mHC与注意力机制各做什么

在重复执行的模块里，模型采用双流流形约束超连接（mHC）。两条残差流贯穿解码器计算，可学习映射则负责控制模型如何读取和混合两条流的信息，以及如何将层输出并入状态。项目文档称，流间混合映射受到 Sinkhorn 归一化约束；配置使用两条流和20次归一化迭代。820

模型文档还介绍了一种混合注意力排列：每三层线性注意力后接一层全注意力。32 这是架构设计的描述，本身并不能证明模型在所有任务中都会更快或更强。

输入、上下文与目标场景

SenseNova-Loop-9B-Preview 接收文本和图像输入，并生成文本。商汤将其定位于文档理解、编程以及与外部工具交互等任务。7 文档所述训练配置支持最长262,144个 token 的序列，并包含多模态输入和带监督的任务轨迹。6 科技媒体 TechNode 对发布的报道则称，训练数据组合包括文本、图像、代码和工具使用示例。30

训练时支持的最大序列长度，不等于模型一定能可靠地从同等长度的输入中检索信息或完成推理。长上下文表现仍需结合具体任务进行评估。

基准测试说了什么，还有哪些未知数

商汤宣传称，这款模型的表现可达约270亿参数级别，并重点提及其在 WorkBuddy Bench、RaccoonPPT Bench 和 AutomationBench 上与 Qwen3.5-27B 的比较。1636 这些是公司针对部分评测公布的说法，并不能证明模型在所有任务上都与对方等效。现有材料没有提供足够的评测细节，无法独立判断这些比较的具体过程及其普遍性。

模型卡列出了 BIRD-Dev、WorkBuddy Bench、AIDABench、TeamBench、Terminal Bench 2.1、T³-Banking、AutomationBench 和 RaccoonPPTBench 等基准测试。17 某项基准出现在列表中，本身并不能说明模型胜出，也无法交代结果是如何得出的。模型卡还将技术报告状态标为“待定”（TBD），读者暂时无法通过完整报告了解更多方法和结果细节。1

推理加速：目前文档确认了什么

项目文档称，模型支持多 token 预测（MTP）以加速推理。620 这说明该方法已获支持，但不等于已有经过量化的提速结果：现有材料没有证明它在不同硬件和工作负载下能带来多少延迟或吞吐量改善。

文档将 Dspark 和 Dflash2 列为开发中、训练进行中的项目，并提供了相关训练说明。520 这些说明表明相关训练路径已有文档，但不能据此认定可直接使用的草稿模型检查点已经就绪，也不能视为提速效果已获独立验证。

实际看点

SenseNova-Loop-9B-Preview 探索的是一项明确的取舍：重复使用中间模块，在共享权重的同时增加计算深度。理解这款模型时，应把参数统计、长上下文训练配置和基准测试说法，与运行效率及独立验证的能力表现区分开来。对于部署决策，关键仍是它在目标任务上的质量，以及在实际环境中的显存占用、延迟等实测表现。

商汤的 SenseNova-Loop-9B-Preview 是一款面向长上下文和智能体工作流的开放权重多模态模型。它的核心设计不是为每次计算都增加一组新权重，而是让解码器中间的24层共享权重、重复执行：模型有32个不同的解码器层，但一次前向传播会执行56次层计算。745

模型于2026年10月30日发布，权重可在 Hugging Face 获取，项目代码公开在 GitHub，项目采用 Apache 2.0 许可证。71625 这套架构值得关注；不过，所谓可与更大模型竞争的说法，应视为商汤公布的特定基准测试结果，而非对所有任务表现的保证。

32层如何变成56次计算

模型先执行最前面的4层，再将第4至第27层组成的24层模块以共享权重的方式连续执行两遍，最后执行末尾4层。计算量合计为56次：开头4次、中间模块24层重复两遍共48次、结尾4次。45

这里要区分不同的层数和层的执行次数。重复使用中间模块增加了计算深度，却无需为第二遍另存一套该模块的参数。但计算路径有56次层执行，并不自动意味着推理更快或运行资源需求更低；实际速度和资源消耗取决于实现方式与部署条件。

模型卡列出的参数口径约为90亿总参数，以及146亿“推理参数”。6 两者是不同的统计口径；较大的数字不应被理解为模型存有146亿个彼此独立的权重，也不能证明它的表现等同于常规的同规模模型。

mHC与注意力机制各做什么

在重复执行的模块里，模型采用双流流形约束超连接（mHC）。两条残差流贯穿解码器计算，可学习映射则负责控制模型如何读取和混合两条流的信息，以及如何将层输出并入状态。项目文档称，流间混合映射受到 Sinkhorn 归一化约束；配置使用两条流和20次归一化迭代。820

模型文档还介绍了一种混合注意力排列：每三层线性注意力后接一层全注意力。32 这是架构设计的描述，本身并不能证明模型在所有任务中都会更快或更强。

输入、上下文与目标场景

SenseNova-Loop-9B-Preview 接收文本和图像输入，并生成文本。商汤将其定位于文档理解、编程以及与外部工具交互等任务。7 文档所述训练配置支持最长262,144个 token 的序列，并包含多模态输入和带监督的任务轨迹。6 科技媒体 TechNode 对发布的报道则称，训练数据组合包括文本、图像、代码和工具使用示例。30

训练时支持的最大序列长度，不等于模型一定能可靠地从同等长度的输入中检索信息或完成推理。长上下文表现仍需结合具体任务进行评估。

基准测试说了什么，还有哪些未知数

商汤宣传称，这款模型的表现可达约270亿参数级别，并重点提及其在 WorkBuddy Bench、RaccoonPPT Bench 和 AutomationBench 上与 Qwen3.5-27B 的比较。1636 这些是公司针对部分评测公布的说法，并不能证明模型在所有任务上都与对方等效。现有材料没有提供足够的评测细节，无法独立判断这些比较的具体过程及其普遍性。

模型卡列出了 BIRD-Dev、WorkBuddy Bench、AIDABench、TeamBench、Terminal Bench 2.1、T³-Banking、AutomationBench 和 RaccoonPPTBench 等基准测试。17 某项基准出现在列表中，本身并不能说明模型胜出，也无法交代结果是如何得出的。模型卡还将技术报告状态标为“待定”（TBD），读者暂时无法通过完整报告了解更多方法和结果细节。1

推理加速：目前文档确认了什么

项目文档称，模型支持多 token 预测（MTP）以加速推理。620 这说明该方法已获支持，但不等于已有经过量化的提速结果：现有材料没有证明它在不同硬件和工作负载下能带来多少延迟或吞吐量改善。

文档将 Dspark 和 Dflash2 列为开发中、训练进行中的项目，并提供了相关训练说明。520 这些说明表明相关训练路径已有文档，但不能据此认定可直接使用的草稿模型检查点已经就绪，也不能视为提速效果已获独立验证。

实际看点

SenseNova-Loop-9B-Preview 探索的是一项明确的取舍：重复使用中间模块，在共享权重的同时增加计算深度。理解这款模型时，应把参数统计、长上下文训练配置和基准测试说法，与运行效率及独立验证的能力表现区分开来。对于部署决策，关键仍是它在目标任务上的质量，以及在实际环境中的显存占用、延迟等实测表现。