SenseNova Loop-9B: a aposta da SenseTime nas camadas reexecutadas
Na inteligência artificial, o caminho predominante para tornar um modelo mais capaz é acrescentar-lhe parâmetros. A SenseTime propõe uma via diferente com o lançamento oficial do SenseNova Loop-9B: uma arquitetura multimodal com cerca de 9 mil milhões de parâmetros no total, distribuídos por 32 camadas de decoder distintas, em que as camadas 4 a 27 são executadas duas vezes com pesos partilhados. Esta estrutura gera 56 cálculos de camada por passagem, o que equivale a cerca de 14,6 mil milhões de parâmetros na inferência. O objetivo declarado pela empresa é permitir que placas gráficas com pouca memória ofereçam um desempenho comparável ao dos modelos de 27 mil milhões de parâmetros. Com quantização AWQ de 4 bits, o modelo ocupa cerca de 4,9 GB e declara precisar de cerca de 10 GiB de memória GPU com 64 mil tokens e cerca de 15 GiB com 256 mil (cache KV de 8 bits); o contexto máximo declarado é de 512 mil tokens.
Os benchmarks publicados pela SenseTime traçam um quadro desigual no confronto direto com o Qwen3.8-27B: o SenseNova Loop-9B obtém 65,31 no AIDABench contra 65,01 do concorrente, empata no AutomationBench com 36,67 segundo a AI Weekly e alcança 41,36 no NL2Repo face a 44,60 do modelo de referência. A empresa afirma ainda que mais ciclos de repetição aumentam as pontuações, indicando, em relação a uma única passagem, +8,10% no LiveCodeBench V6 com quatro ciclos (o valor predefinido é dois). No entanto, ainda não existem testes independentes que meçam quanto esta recursão custa em velocidade de execução. Quanto à distribuição, a licença indicada é a Apache 2.0, mas no Hugging Face o acesso aos ficheiros exige aceitar previamente condições de utilização (não é claro se a aprovação é automática); além disso, segundo a AI Weekly, os pedidos de integração nos motores de inferência vLLM (limitada à inferência de texto não quantizada) e SGLang ainda não foram incorporados no código principal.
Na ficha técnica, a própria SenseTime refere vários limites operacionais: tendência para errar perante definições de ferramentas complexas ou múltiplas restrições condicionais, e a possibilidade de sites 3D complexos não ficarem concluídos num único turno. Aponta também a coerência na geração de código e nos agentes como um aspeto a melhorar. A ideia de voltar a executar as mesmas camadas para obter mais cálculo sem aumentar os pesos a manter na memória da GPU é fascinante. Falta perceber quanto da poupança de memória é depois devolvido em tempo de cálculo quando o modelo tem de correr em hardware comum.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Li o comunicado oficial da SenseTime, o README do repositório GitHub OpenSenseNova/SenseNova-Loop (datas de lançamento, licença, variantes) e a ficha no Hugging Face (arquitetura, memória, condições de acesso). Como confirmação independente usei a AI Weekly de 17/11/2026, que trata o lançamento definitivo e coincide em parâmetros, contexto, licença e benchmarks, e o TechNode de 2/11/2026 para a Preview. Os benchmarks do comunicado estão em gráficos que não li: indico apenas os números citados no texto e pela AI Weekly.
- Incertezze
- Todos os benchmarks vêm da SenseTime e não foram verificados de forma independente. A comparação com o Qwen3.8-27B é desigual: vitória por pouco no AIDABench, empate no AutomationBench, derrota no NL2Repo. Ninguém mediu ainda de forma independente quanta velocidade custa reexecutar as camadas. A data exata oscila entre 17 de novembro (GitHub, cabeçalho do comunicado) e 18 (URL do comunicado). No Hugging Face, os ficheiros exigem aceitar condições e não é claro se a aprovação é automática. O suporte no vLLM e no SGLang ainda não está integrado oficialmente. O comunicado não contém declarações de pessoas identificadas pelo nome.
- Perché pubblicarla
- É um modelo de pesos abertos com licença Apache 2.0 que experimenta uma arquitetura diferente, camadas repetidas em vez de mais parâmetros, para levar o desempenho de um modelo médio a hardware ao alcance de pequenos programadores. Tem interesse prático para quem corre modelos localmente e o site ainda não o tinha abordado.