产品简介
SenseNova Loop-9B-Preview 是商汤开源的循环多模态模型，走的是另一条提升能力的路：不把参数堆大，而是让同一组权重多算几遍。模型共 32 个解码器层，首尾各留 4 层，中间第 4 到 27 层这 24 层作为共享循环模块执行两遍，写出来是 B(B(h))。一次前向做约 56 次层计算，存下来的权重仍然只有 32 层，约 9B。
循环最难的地方不是多跑一遍，而是第二遍别把第一遍的信号搅乱。它用了双流 mHC，在循环块里维护两条残差流，用可学习的映射控制信息在两条流之间路由与混合，混合矩阵用 Sinkhorn 归一化约束、迭代 20 次。注意力按四层一组排布，三层线性注意力加一层全注意力，循环边界正好对齐整组。
结果是训练上下文最长 262,144 token，输入吃文本与图像，输出文本，定位在长文档与智能体工作流。许可证是 Apache 2.0，权重在 Hugging Face 与 GitHub 放出，主干 BF16、mHC 路由参数 FP32，社区已有 GGUF 量化版，Q8_0 约 8.9GB。官方口径是这个规模能媲美 27B 级表现，技术报告尚未公开，模型仍标 Preview。
核心功能
- 循环加深而非堆参数：中间 24 层权重共享、执行两遍，一次前向完成约 56 次层计算却只存 32 层权重，用小显存换计算深度。
- 双流 mHC 信息传递：循环块里两条残差流配合可学习映射做路由与融合，混合矩阵经 Sinkhorn 归一化约束，让第二遍迭代不破坏信号传播。
- 混合注意力：解码器每四层一组，三层线性注意力加一层全注意力，循环边界与完整组对齐，在效率与全局信息之间取平衡。
- 256K 长上下文：训练最长 262,144 token，面向长文档理解与多步智能体任务，适合一次塞进整份材料再提问。
- 文本与图像输入：自回归多模态解码器，输入接受文本与图像、输出文本，可读图表与文档截图。
- 开源可商用：Apache 2.0 放出权重，支持 Transformers 加载与 SGLang、LightLLM 部署，社区量化版能在 16GB 显存设备上跑。
适合谁用
以下类型的用户会特别受益于 SenseNova Loop-9B-Preview：
- 把上百页的合同或研报一次塞进去，做跨章节的比对与提问。
- 接进带工具调用的智能体流水线，处理需要多步推理的办公任务。
- 在显存有限的机器上私有部署，用 9B 的存储代价换接近更大模型的任务表现。
- 喂进企业知识库做长文档问答，输入可以夹图表截图。
- 做 PPT 与数据分析这类结构化产出，官方在演示文稿基准上有对应成绩。
- 拿来做循环架构的实验样本，对比同参数量的稠密模型。
优点亮点
- 权重只有 9B，显存门槛低，适合私有化与小团队自建。
- 循环计算把有效深度拉起来，官方基准在智能体与办公任务上表现突出。
- 256K 训练上下文，长文档一次读完不用切片。
- Apache 2.0 许可，商用与再训练都放得开。
- 社区已有 GGUF 量化，16GB 显存设备能跑起来。
- 支持 SGLang 与 LightLLM 部署，接入现有推理服务不难。
价格与方案
Apache 2.0 开源。权重在 Hugging Face 的 sensenova/SenseNova-Loop-9B-Preview 与 GitHub 的 OpenSenseNova/SenseNova-Loop 仓库，主干以 BF16 导出、mHC 路由参数为 FP32。加载需要 trust_remote_code 以带上自定义循环实现，官方示例基于 Transformers。部署侧提到 SGLang 与 LightLLM，社区另有 GGUF 量化版本，Q8_0 约 8.9GB。官方托管 API 尚未公布价格，目前主要用法是自己部署权重。
总结与建议
Loop-9B 真正拆开的是两件常被混在一起的事：存多少参数，和每个 token 算多深。省下来的是权重的存储与显存占用，算力并没有省，56 次层计算该跑还是要跑，所以它对学生私有部署、端侧这类显存紧、吞吐要求不高的场景最有意义。官方把它摆在 27B 的对手位置上，榜单是自己跑的，技术报告还没出，现在更合适的看法是它提供了一个能下载、能自己复现的循环架构样本。
版本演进
- SenseNova Loop-9B-Preview 收录：9B 循环架构开源 （2026-10-31）：收录时形态：商汤开源的 Looped Transformer 多模态模型，32 层中第 4 到 27 层共享权重执行两遍，一次前向约 56 次层计算，约 9B 存储参数、约 14.6B 推理等效计算。引入双流 mHC 与 Sinkhorn 约束的信息混合，注意力按三层线性注意力加一层全注意力分组。训练上下文最长 262,144 token，输入文本与图像、输出文本。官方基准在 BIRD-Dev、WorkBuddy Bench、AIDABench、TeamBench 与 RaccoonPPTBench 上给出高于 Qwen3.5-27B 的分数，mHC 消融在 GPQA Diamond 与 TeamBench 上分别提升 4.42 分与 13.34 分。Apache 2.0 开放权重，社区有 GGUF 量化版。