90亿参数,在这个榜单天天刷新的行当里,本该是没人多看一眼的规格。
发布方却说它跑出了三倍体量模型的效果。窍门不在新数据,而在于把同一批层算了两遍。
发布了什么
2026年11月17日,商汤科技发布SenseNova Loop-9B正式版,18日又发出中英文双语完整新闻稿。此前10月30日,预览版已先行出现在魔搭社区。
架构才是重点。模型总参数约90亿,但第4层到第27层在共享权重下执行两次。32个物理解码器层,在一次前向传播中变成56次层计算。商汤称其有效推理参数量约为146亿。
与这个循环并置的,是一个叫流形约束超连接的机制,简称mHC。通俗讲,循环里携带两路残差信息流,由学习得到的映射决定它们怎么混合。解码器还以四层为一组交替注意力方式:三层线性注意力,接一层全注意力。
模型接受文本与图像输入、输出文本,上下文窗口最高51.2万词元。权重与代码已开源,官方AWQ 4比特量化版本在发布首日即可获取。
小模型为什么值得算得更多
过去几年,提升性能的主路线是加参数。这条路要付账:更多显存、更大带宽、每次请求都更贵的硬件。
循环改的是另一个变量。模型在更多计算步里复用同一批权重,每个存下来的参数就能承担更多推理。商汤的主张是,这让一个约9B的模型在智能体与数据分析任务上够到27B级系统,同时塞进便宜得多的硬件。
公司的数字给这个主张一个形状。4比特量化下,权重约占4.9GiB,部署显存可控制在10GiB以内。在25.6万词元上下文、4比特权重加8比特键值缓存的配置下,公司给出的推理显存约为15GiB。这和服务前沿模型所需的集群,已经不是同一类机器。换句话说,卖点不是绝对性能,而是每单位显存能换来多少可用能力。
基准上,公司报告其NL2Repo得分41.36,接近Qwen3.8-27B的44.60;AIDABench得分65.31,略高于对比对象的65.01。这些是厂商自报结果,没有独立实验室在可下载的权重文件上重跑过。
谁能真的用上
实际受众不是手边有台笔记本的人,而是在自己已有的硬件上、私有环境里需要一个能写代码、能跑智能体的模型的团队。
银行、医院、工厂对把提示词发到公网接口往往有硬性规定。一个能在有限显存预算内跑起来的模型,在这些场景里就成了选项。对高端加速器获取受限地区的开发者,道理相同。对这类用户,模型是不是榜单第一并不重要,能不能在合规边界内跑完一项任务才重要。
还有一层生态信号。据北京商报报道,沐曦宣布已完成该模型的首日适配。当一家国产GPU厂商与一家国产模型厂商把发布节奏对上,实际问题就从"能不能跑"变成"在这套特定软件栈上调得怎么样"。
需要小心的地方
"27B级"是一个比较,不是等价。循环9B可能在一小批智能体与数据分析任务上追平27B,在别的任务上落后,而上下文处理往往正是差距显形的部位。
还有延迟问题。把同一批层跑两遍,意味着每个词元都要更多计算。显存占用小,并不自动等于响应更快;公司公开材料强调的是部署体积,而不是吞吐。对交互式产品,慢半秒和便宜一半,是一笔要算清楚的账。
关键要点
- 商汤于2026年11月17日发布SenseNova Loop-9B正式版,此前10月30日有预览版;权重与代码已开源。
- 模型在共享权重下把第4至27层执行两次,32个物理层变成56次计算,并用双流mHC做信息路由。
- 4比特量化下权重约4.9GiB,公司称部署显存可控制在10GiB以内。
- 厂商自报成绩在NL2Repo与AIDABench上贴近Qwen3.8-27B,尚未被独立复现。
诚实的局限
所有基准分数、显存数字与"可比27B"的说法,都来自商汤自己的发布材料。本文写作时没有针对已发布权重的独立评测,对比对象与提示词也是公司选的。
本文没有测试这个模型,无法验证输出质量、幻觉率、真实工具调用的可靠性,也无法验证它在某一特定芯片上的服务速度。
首日适配的消息来自北京商报。它在那块硬件上、以及其他厂商硬件上的实际表现,本文没有确立。
普通人现在能做什么
- 如果你在为私有化部署选模型,先按自己需要的上下文长度算一遍显存预算,再去看标题上的参数量。
- 把量化版本下下来,跑几个你自己的任务。厂商表格里的智能体分数,对你的具体工作流说明不了太多。
- 遇到"对标更大模型"的发布,先看比的是哪些任务。窄口径的追平依然有用,但它不是全面追平。