SenseNova Loop-9B: SenseTime zet in op opnieuw uitgevoerde lagen
In de AI-wereld is de gangbare manier om een model capabeler te maken: er parameters bij zetten. SenseTime kiest een andere weg met de officiële release van SenseNova Loop-9B: een multimodale architectuur met in totaal zo'n 9 miljard parameters verdeeld over 32 afzonderlijke decoderlagen, waarbij de lagen 4 tot en met 27 twee keer worden uitgevoerd met gedeelde gewichten. Die opzet levert 56 laagberekeningen per doorgang op, wat bij inferentie neerkomt op ongeveer 14,6 miljard equivalente parameters. Het verklaarde doel van het bedrijf is dat videokaarten met weinig geheugen prestaties kunnen leveren die vergelijkbaar zijn met modellen van 27 miljard parameters. Met 4-bit AWQ-kwantisatie neemt het model ongeveer 4,9 GB in beslag en het zou rond de 10 GiB GPU-geheugen nodig hebben bij 64.000 tokens en zo'n 15 GiB bij 256.000 (met 8-bit KV-cache); de maximale opgegeven context is 512.000 tokens.
De benchmarks die SenseTime publiceerde, geven in de directe vergelijking met Qwen3.8-27B een wisselend beeld: SenseNova Loop-9B scoort 65,31 op AIDABench tegenover 65,01 voor de concurrent, speelt volgens AI Weekly gelijk op AutomationBench met 36,67 en haalt 41,36 op NL2Repo tegenover 44,60 voor het referentiemodel. Het bedrijf stelt bovendien dat meer herhalingslussen de scores verhogen, en noemt ten opzichte van één doorgang +8,10% op LiveCodeBench V6 met vier lussen (standaard zijn het er twee). Onafhankelijke tests die meten wat deze recursie kost aan uitvoeringssnelheid zijn er echter nog niet. Wat de distributie betreft, is de opgegeven licentie Apache 2.0, maar op Hugging Face moet je eerst gebruiksvoorwaarden accepteren voordat je bij de bestanden kunt (onduidelijk is of de goedkeuring automatisch volgt); daarnaast zijn volgens AI Weekly de verzoeken tot integratie in de inferentie-engines vLLM (beperkt tot niet-gekwantiseerde tekstinferentie) en SGLang nog niet samengevoegd met de hoofdcode.
In de modelkaart noemt SenseTime zelf verschillende operationele beperkingen: een neiging tot fouten bij complexe tooldefinities of meerdere voorwaardelijke beperkingen, en de kans dat complexe 3D-websites niet in één beurt af zijn. Ook noemt het bedrijf de consistentie bij codegeneratie en agents een punt dat beter kan. Het idee om dezelfde lagen opnieuw te doorlopen voor meer rekenwerk, zonder extra gewichten in het GPU-geheugen te hoeven houden, is fascinerend. Het blijft de vraag hoeveel van de geheugenwinst weer wordt ingeleverd aan rekentijd wanneer het model op gewone hardware moet draaien.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Ik heb het officiële persbericht van SenseTime gelezen, de README van de GitHub-repository OpenSenseNova/SenseNova-Loop (releasedata, licentie, varianten) en de modelkaart op Hugging Face (architectuur, geheugen, toegangsvoorwaarden). Voor onafhankelijke bevestiging gebruikte ik AI Weekly van 17-11-2026, dat over de definitieve release gaat en overeenkomt op parameters, context, licentie en benchmarks, en TechNode van 2-11-2026 voor de Preview. De benchmarks uit het persbericht staan in grafieken die ik niet heb gelezen: ik geef alleen de cijfers die in de tekst en door AI Weekly worden genoemd.
- Incertezze
- Alle benchmarks komen van SenseTime en zijn niet onafhankelijk gecontroleerd. De vergelijking met Qwen3.8-27B is wisselend: nipte winst op AIDABench, gelijkspel op AutomationBench, verlies op NL2Repo. Hoeveel snelheid het opnieuw uitvoeren van de lagen kost, is nog niet onafhankelijk gemeten. De precieze datum schommelt tussen 17 november (GitHub, kop van het persbericht) en 18 november (URL van het persbericht). Op Hugging Face moet je voorwaarden accepteren voor de bestanden en het is onduidelijk of de goedkeuring automatisch is. Ondersteuning in vLLM en SGLang is nog niet officieel geïntegreerd. Het persbericht bevat geen uitspraken van met naam genoemde personen.
- Perché pubblicarla
- Het is een open-weightmodel onder de Apache 2.0-licentie dat een andere architectuur uitprobeert, herhaalde lagen in plaats van meer parameters, om prestaties van een middelgroot model op hardware te brengen die kleine ontwikkelaars kunnen betalen. Het is praktisch interessant voor wie modellen lokaal draait, en de site had er nog niet over geschreven.