SenseNova Loop-9B: 레이어 재실행에 건 SenseTime의 승부수
AI 분야에서 모델의 능력을 높이는 주된 방법은 파라미터를 늘리는 것이다. SenseTime은 SenseNova Loop-9B를 공식 출시하며 다른 길을 제시했다. 총 약 90억 개의 파라미터가 32개의 서로 다른 디코더 레이어에 분포한 멀티모달 구조로, 4번부터 27번 레이어까지를 공유 가중치로 두 번 실행한다. 이 구조는 한 번의 패스에서 56번의 레이어 연산을 만들어 내며, 추론 시에는 약 146억 파라미터에 해당한다. 회사가 밝힌 목표는 메모리가 적은 그래픽카드에서도 270억 파라미터 모델에 견줄 성능을 내는 것이다. 4비트 AWQ 양자화를 적용하면 모델은 약 4.9GB를 차지하며, 6만 4천 토큰에서 약 10GiB, 25만 6천 토큰에서 약 15GiB의 GPU 메모리가 필요하다고 밝혔다(8비트 KV 캐시 기준). 공개된 최대 컨텍스트는 51만 2천 토큰이다.
SenseTime이 공개한 벤치마크는 Qwen3.8-27B와의 직접 비교에서 엇갈린 결과를 보인다. SenseNova Loop-9B는 AIDABench에서 65.31점으로 경쟁 모델의 65.01점을 앞섰고, AI Weekly에 따르면 AutomationBench에서는 36.67점으로 동점, NL2Repo에서는 41.36점으로 비교 모델의 44.60점에 못 미쳤다. 회사는 또한 반복 루프 수를 늘리면 점수가 오른다며, 단일 패스 대비 4루프에서 LiveCodeBench V6 +8.10%를 제시했다(기본값은 2루프). 다만 이 재귀가 실행 속도 측면에서 얼마의 비용을 치르는지 측정한 독립 검증은 아직 없다. 배포 측면에서 라이선스는 Apache 2.0으로 표기돼 있지만, Hugging Face에서는 파일에 접근하기 전에 이용 조건에 동의해야 한다(승인이 자동인지는 불분명하다). 또한 AI Weekly에 따르면 추론 엔진 vLLM(양자화하지 않은 텍스트 추론에 한정)과 SGLang에 대한 통합 요청은 아직 메인 코드에 병합되지 않았다.
SenseTime은 모델 카드에서 스스로 몇 가지 운영상 한계를 언급한다. 복잡한 도구 정의나 여러 조건부 제약이 있을 때 오류를 내기 쉽다는 점, 복잡한 3D 웹사이트가 한 번의 턴에 완성되지 않을 수 있다는 점, 그리고 코드 생성과 에이전트 작업의 일관성이 개선 여지가 있는 영역이라는 점이다. GPU 메모리에 올릴 가중치를 늘리지 않고 같은 레이어를 다시 실행해 더 많은 연산을 얻는다는 발상은 매력적이다. 남은 질문은 일반 하드웨어에서 모델을 돌릴 때, 아낀 메모리 중 얼마만큼이 연산 시간으로 되돌려지느냐다.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- SenseTime의 공식 발표문, GitHub 저장소 OpenSenseNova/SenseNova-Loop의 README(출시일, 라이선스, 변형 모델), Hugging Face 모델 카드(아키텍처, 메모리, 접근 조건)를 읽었다. 독립적인 확인을 위해 정식 출시를 다루며 파라미터·컨텍스트·라이선스·벤치마크가 일치하는 2026년 11월 17일 자 AI Weekly와, 프리뷰에 관해서는 2026년 11월 2일 자 TechNode를 참고했다. 발표문의 벤치마크는 내가 읽지 않은 그래프에 실려 있어, 본문과 AI Weekly에 인용된 수치만 옮겼다.
- Incertezze
- 모든 벤치마크는 SenseTime이 낸 것으로 독립 검증이 없다. Qwen3.8-27B와의 비교는 엇갈린다. AIDABench에서는 근소하게 이기고, AutomationBench에서는 비기며, NL2Repo에서는 진다. 레이어 재실행이 속도 면에서 얼마나 비용이 드는지는 아직 독립적으로 측정되지 않았다. 정확한 날짜는 11월 17일(GitHub, 발표문 머리말)과 18일(발표문 URL) 사이에서 엇갈린다. Hugging Face에서 파일을 받으려면 조건에 동의해야 하며 승인이 자동인지는 불분명하다. vLLM과 SGLang 지원은 아직 공식 통합되지 않았다. 발표문에는 실명 인물의 발언이 없다.
- Perché pubblicarla
- Apache 2.0 라이선스의 오픈 웨이트 모델로, 파라미터를 늘리는 대신 레이어를 반복하는 다른 아키텍처를 시험해 소규모 개발자도 감당할 수 있는 하드웨어에서 중형 모델급 성능을 내려 한다. 로컬에서 모델을 돌리는 사람에게 실용적 관심사이며, 사이트에서 아직 다루지 않았다.