<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Loop-9B &#8211; mylogs.cn</title>
	<atom:link href="https://mylogs.cn/tag/loop-9b/feed/" rel="self" type="application/rss+xml" />
	<link>https://mylogs.cn</link>
	<description>发现、记录、分享</description>
	<lastBuildDate>Tue, 17 Nov 2026 14:12:37 +0000</lastBuildDate>
	<language>zh-Hans</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>9B参数跑出27B性能：商汤开源SenseNova Loop-9B</title>
		<link>https://mylogs.cn/9b%e5%8f%82%e6%95%b0%e8%b7%91%e5%87%ba27b%e6%80%a7%e8%83%bd%ef%bc%9a%e5%95%86%e6%b1%a4%e5%bc%80%e6%ba%90sensenova-loop-9b/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Tue, 17 Nov 2026 14:12:37 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[Agent]]></category>
		<category><![CDATA[AI推理]]></category>
		<category><![CDATA[Loop-9B]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[SenseNova]]></category>
		<category><![CDATA[低显存部署]]></category>
		<category><![CDATA[商汤科技]]></category>
		<category><![CDATA[开源模型]]></category>
		<guid isPermaLink="false">https://mylogs.cn/9b%e5%8f%82%e6%95%b0%e8%b7%91%e5%87%ba27b%e6%80%a7%e8%83%bd%ef%bc%9a%e5%95%86%e6%b1%a4%e5%bc%80%e6%ba%90sensenova-loop-9b/</guid>

					<description><![CDATA[结论：商汤科技于 2026 年 11 月 17 日晚发布 SenseNova Loop-9B，用约 9B 参数 [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">结论：商汤科技于 2026 年 11 月 17 日晚发布 SenseNova Loop-9B，用约 9B 参数换取接近 27B 模型的性能，4bit 量化后权重仅约 4.9GB，把部署显存需求压到 10GB 以内。 关键数字：32 个物理层扩展为 56 次层计算，上下文最高 512K 词元，AIDABench 得分 65.31。</p>
<figure class="wp-block-table"><table><thead><tr><th>指标</th><th>数值</th><th>对比参照</th></tr></thead><tbody><tr><td>总参数量</td><td>约 9B</td><td>推理等效约 14.6B</td></tr><tr><td>4bit 量化权重</td><td>约 4.9GB</td><td>部署显存低至 10GB 内</td></tr><tr><td>上下文长度</td><td>最高 512K 词元</td><td>256K 推理约需 15 GiB</td></tr><tr><td>NL2Repo 得分</td><td>41.36</td><td>Qwen3.8-27B 为 44.60</td></tr><tr><td>AIDABench 得分</td><td>65.31</td><td>Qwen3.8-27B 为 65.01</td></tr></tbody></table></figure>
<h2 class="wp-block-heading">9B 参数如何跑出 27B 级的计算深度</h2>
<p class="wp-block-paragraph">SenseNova Loop-9B 延续 Preview 版本对参数效率的探索：通过 Loop 结构复用模型层参数，并结合流形约束超连接，在约 9B 参数规模下扩展计算深度，面向复杂推理、代码、工具调用和多模态任务。</p>
<p class="wp-block-paragraph">核心做法是把第 4 至第 27 层组成共享权重的循环模块，并执行两次，使模型在一次前向传播中完成 56 次解码器层计算。解码器以四层为一组，采用三层线性注意力与一层全注意力相结合的混合注意力配置。</p>
<p class="wp-block-paragraph">模型支持文本、图像输入和文本输出，上下文长度最高可达 512K 词元，训练方案覆盖文本、图像、代码和工具调用轨迹。</p>
<figure data-wp-context="{&quot;imageId&quot;:&quot;6afc6247bb673&quot;}" data-wp-interactive="core/image" data-wp-key="6afc6247bb673" class="wp-block-image wp-lightbox-container"><img decoding="async" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/11/body_sensenova-loop-9b.webp" alt="商汤 SenseNova Loop-9B 模型结构" style="max-width:100%;height:auto;"/><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption>图片来源：IT之家</figcaption></figure>
<h2 class="wp-block-heading">10GB 显存部署的门槛意味着什么</h2>
<p class="wp-block-paragraph">模型得益于 Loop 的高效循环结构，4bit 量化后权重仅约 4.9GB，部署显存需求低至 10GB 以内。官方给出的显存表显示：64K 上下文配 8bit 键值缓存约需 10 GiB，256K 上下文配 4bit 键值缓存约需 12 GiB，配 8bit 键值缓存约需 15 GiB。</p>
<p class="wp-block-paragraph">这意味着低显存芯片获得前沿 27B 级别模型性能成为可能，本地与私有化部署的硬件门槛被明显拉低。模型发布首日同步提供官方 4bit 量化版本，方便开发者快速部署。</p>
<h2 class="wp-block-heading">与 Qwen3.8-27B 比肩有多少含金量</h2>
<p class="wp-block-paragraph">官方表示，在 Agent 与数据分析评测中，该模型展现出与 Qwen3.8-27B 相当的竞争力：NL2Repo 得分 41.36，接近后者的 44.60；AIDABench 得分 65.31，高于后者的 65.01。正式版在多个榜单上的表现较 Preview 版本有明显提升。</p>
<p class="wp-block-paragraph">值得注意的是，这两项得分来自官方公布的评测，NL2Repo 一项仍略低于对照模型，&#8221;比肩&#8221;主要体现在参数效率而非全面超越。</p>
<h2 class="wp-block-heading">谁适合部署 SenseNova Loop-9B</h2>
<p class="wp-block-paragraph">对需要在消费级显卡或本地工作站跑代码、工具调用与数据分析任务的开发者，10GB 以内的显存需求和已开放的模型权重与代码，让私有化部署具备可操作性。</p>
<p class="wp-block-paragraph">对追求极致推理性能、或者需要超长上下文稳定输出的用户，官方也列出当前不足：面对较多、较复杂的工具定义或多重条件约束时，模型仍可能出现理解与执行偏差。所以更稳妥的做法是先在自己的任务上验证，再决定是否替代更大参数模型。</p>
<h2 class="wp-block-heading">常见问题</h2>
<h3 class="wp-block-heading">4.9GB 权重是不是等于只用 4.9GB 显存？</h3>
<p class="wp-block-paragraph">不是。4.9GB 指 4bit 量化后的权重体积，实际部署显存还要算上键值缓存。官方数据为：64K 上下文约需 9 至 10 GiB，256K 上下文约需 12 至 15 GiB。</p>
<h3 class="wp-block-heading">支持哪些输入输出和上下文？</h3>
<p class="wp-block-paragraph">支持文本、图像输入和文本输出，上下文长度最高 512K 词元。</p>
<h3 class="wp-block-heading">模型权重开放了吗？</h3>
<p class="wp-block-paragraph">已开放。SenseNova Loop-9B 的模型权重与相关代码已放出，发布首日同步提供官方 4bit 量化版本，可在 Hugging Face 的商汤合集页下载。</p>
<p class="wp-block-paragraph">信息来源：IT之家 2026 年 11 月 17 日报道、商汤科技 SenseNova 官方发布（2026-11-17）。</p>]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
