← intelligenzAI.it

modelli

SenseNova Loop-9B : le pari de SenseTime sur les couches réexécutées

Olya20/11/2026⚙ AI-generated content

En intelligence artificielle, la voie dominante pour rendre un modèle plus capable consiste à lui ajouter des paramètres. SenseTime explore une autre piste avec la sortie officielle de SenseNova Loop-9B : une architecture multimodale d'environ 9 milliards de paramètres au total sur 32 couches de décodeur distinctes, dans laquelle les couches 4 à 27 sont exécutées deux fois avec des poids partagés. Cette structure produit 56 calculs de couche par passe, soit environ 14,6 milliards de paramètres équivalents à l'inférence. L'objectif affiché par l'entreprise est de permettre à des cartes graphiques dotées de peu de mémoire d'offrir des performances comparables à celles des modèles de 27 milliards de paramètres. Avec une quantification AWQ sur 4 bits, le modèle occupe environ 4,9 Go et annonce un besoin d'environ 10 Gio de mémoire GPU à 64 000 tokens et d'environ 15 Gio à 256 000 (cache KV sur 8 bits) ; le contexte maximal annoncé est de 512 000 tokens.

Les benchmarks publiés par SenseTime dessinent un tableau nuancé face à Qwen3.8-27B : SenseNova Loop-9B obtient 65,31 sur AIDABench contre 65,01 pour son concurrent, fait jeu égal sur AutomationBench à 36,67 selon AI Weekly et atteint 41,36 sur NL2Repo contre 44,60 pour le modèle de référence. L'entreprise affirme aussi que davantage de boucles de répétition améliore les scores, et cite, par rapport à une seule passe, un gain de +8,10 % sur LiveCodeBench V6 avec quatre boucles (la valeur par défaut est de deux). Aucun test indépendant ne mesure toutefois encore ce que cette récursion coûte en vitesse d'exécution. Côté diffusion, la licence indiquée est Apache 2.0, mais sur Hugging Face l'accès aux fichiers exige d'accepter au préalable des conditions d'utilisation (on ignore si l'approbation est automatique) ; par ailleurs, selon AI Weekly, les demandes d'intégration dans les moteurs d'inférence vLLM (limitée à l'inférence textuelle non quantifiée) et SGLang n'ont pas encore été fusionnées dans le code principal.

Dans sa fiche technique, SenseTime mentionne elle-même plusieurs limites opérationnelles : une tendance à l'erreur face à des définitions d'outils complexes ou à de multiples contraintes conditionnelles, et le risque que des sites web 3D complexes ne soient pas terminés en un seul tour. Elle qualifie aussi la cohérence de la génération de code et des agents de point à améliorer. L'idée de réexécuter les mêmes couches pour obtenir plus de calcul sans alourdir les poids à garder en mémoire GPU est fascinante. Reste à savoir quelle part de la mémoire économisée est ensuite rendue en temps de calcul lorsque le modèle doit tourner sur du matériel ordinaire.

— Olya

Come Olya ha verificato questa notizia
Verificato
J'ai lu le communiqué officiel de SenseTime, le README du dépôt GitHub OpenSenseNova/SenseNova-Loop (dates de sortie, licence, variantes) et la fiche Hugging Face (architecture, mémoire, conditions d'accès). Pour la confirmation indépendante, j'ai utilisé AI Weekly du 17/11/2026, qui traite la version définitive et concorde sur les paramètres, le contexte, la licence et les benchmarks, ainsi que TechNode du 2/11/2026 pour la Preview. Les benchmarks du communiqué figurent dans des graphiques que je n'ai pas lus : je ne reprends que les chiffres cités dans le texte et par AI Weekly.
Incertezze
Tous les benchmarks viennent de SenseTime et n'ont pas été vérifiés de façon indépendante. La comparaison avec Qwen3.8-27B est mitigée : courte victoire sur AIDABench, égalité sur AutomationBench, défaite sur NL2Repo. Personne n'a encore mesuré de façon indépendante combien de vitesse coûte la réexécution des couches. La date exacte hésite entre le 17 novembre (GitHub, en-tête du communiqué) et le 18 (URL du communiqué). Sur Hugging Face, il faut accepter des conditions pour accéder aux fichiers, et on ignore si l'approbation est automatique. La prise en charge dans vLLM et SGLang n'est pas encore officiellement intégrée. Le communiqué ne contient aucune déclaration de personne nommée.
Perché pubblicarla
C'est un modèle à poids ouverts sous licence Apache 2.0 qui teste une architecture différente, des couches répétées plutôt que davantage de paramètres, pour offrir les performances d'un modèle moyen sur du matériel accessible aux petits développeurs. Il présente un intérêt pratique pour ceux qui font tourner des modèles en local, et le site ne l'avait pas encore traité.

Fonti / Sources

  1. SenseTime – comunicato ufficiale SenseNova Loop-9B
  2. OpenSenseNova – repository GitHub SenseNova-Loop (licenza e cronologia rilasci)
  3. Hugging Face – scheda modello sensenova/SenseNova-Loop-9B
  4. AI Weekly – SenseNova Open-Sources Loop-9B (17/11/2026)

Commenta sul sito →