SenseNova Loop-9B: ставка SenseTime на повторно виконувані шари
У світі штучного інтелекту основний спосіб зробити модель сильнішою — додати їй параметрів. SenseTime пропонує інший шлях, офіційно випустивши SenseNova Loop-9B: мультимодальну архітектуру приблизно на 9 млрд параметрів у 32 окремих шарах декодера, де шари з 4-го по 27-й виконуються двічі зі спільними вагами. У підсумку за один прохід виконується 56 обчислень шарів, що під час інференсу відповідає приблизно 14,6 млрд параметрів. Заявлена мета компанії — дати відеокартам із невеликим обсягом пам'яті продуктивність, порівнянну з моделями на 27 млрд параметрів. З 4-бітною квантизацією AWQ модель займає близько 4,9 ГБ; за заявою компанії, їй потрібно близько 10 ГіБ пам'яті GPU при 64 тис. токенів і близько 15 ГіБ при 256 тис. (з 8-бітним KV-кешем). Максимальний заявлений контекст — 512 тис. токенів.
Опубліковані SenseTime бенчмарки у прямому порівнянні з Qwen3.8-27B дають неоднозначну картину: SenseNova Loop-9B набирає 65,31 в AIDABench проти 65,01 у конкурента, за даними AI Weekly йде нарівні в AutomationBench із 36,67 і отримує 41,36 в NL2Repo проти 44,60 в еталонної моделі. Компанія також стверджує, що більше циклів повторення підвищує результати, і наводить порівняно з одиночним проходом +8,10% у LiveCodeBench V6 за чотирьох циклів (за замовчуванням їх два). Проте незалежних тестів, які б вимірювали, чого ця рекурсія коштує у швидкості роботи, поки немає. Щодо поширення, зазначено ліцензію Apache 2.0, але на Hugging Face доступ до файлів вимагає попередньої згоди з умовами використання (незрозуміло, чи схвалюється запит автоматично). Крім того, за даними AI Weekly, запити на інтеграцію в рушії інференсу vLLM (лише для неквантизованого текстового інференсу) і SGLang ще не влиті в основний код.
У картці моделі сама SenseTime називає низку експлуатаційних обмежень: схильність помилятися за складних описів інструментів або численних умовних обмежень і ймовірність того, що складні 3D-сайти не буде завершено за один хід. Узгодженість під час генерації коду та в агентних задачах компанія відносить до сфер, що потребують поліпшення. Ідея повторно проганяти ті самі шари, щоб отримати більше обчислень, не збільшуючи ваг, які треба тримати в пам'яті GPU, захоплює. Залишається зрозуміти, яку частину зекономленої пам'яті доведеться повернути часом обчислень, коли модель працюватиме на звичайному залізі.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала офіційне повідомлення SenseTime, README репозиторію GitHub OpenSenseNova/SenseNova-Loop (дати релізів, ліцензія, варіанти) і картку на Hugging Face (архітектура, пам'ять, умови доступу). Для незалежного підтвердження я використала AI Weekly від 17.11.2026, де розглянуто фінальний реліз і збігаються параметри, контекст, ліцензія та бенчмарки, а також TechNode від 2.11.2026 про версію Preview. Бенчмарки з повідомлення наведено на графіках, які я не читала: подаю лише цифри, вказані в тексті та в AI Weekly.
- Incertezze
- Усі бенчмарки походять від SenseTime і незалежно не перевірені. Порівняння з Qwen3.8-27B неоднозначне: невелика перемога в AIDABench, нічия в AutomationBench, поразка в NL2Repo. Скільки швидкості коштує повторне виконання шарів, незалежно ще ніхто не виміряв. Точна дата коливається між 17 листопада (GitHub, заголовок повідомлення) і 18-м (URL повідомлення). На Hugging Face для доступу до файлів треба прийняти умови, і незрозуміло, чи схвалюється запит автоматично. Підтримку у vLLM і SGLang офіційно ще не інтегровано. У повідомленні немає висловлювань названих на ім'я людей.
- Perché pubblicarla
- Це модель із відкритими вагами за ліцензією Apache 2.0, яка випробовує іншу архітектуру — повтор шарів замість збільшення кількості параметрів, — щоб дати продуктивність середньої моделі на залізі, доступному невеликим розробникам. Вона практично цікава тим, хто запускає моделі локально, а на сайті про неї ще не писали.