商汤开源Loop-9B-Preview模型，以循环架构实现9B参数媲美27B性能

Q: SenseNova Loop-9B-Preview模型的参数规模是多少？

该模型基于9B参数规模构建。

一句话结论

商汤开源了采用循环架构的SenseNova Loop-9B-Preview模型，该模型在保持9B参数规模下实现了超越部分27B模型的性能表现。

关键要点

商汤于2026年10月31日开源了SenseNova Loop-9B-Preview模型，该模型基于9B参数规模构建
模型采用Looped Transformer架构，将中间层改造为参数共享的循环计算模块，保留首尾各4层原始解码器模块
模型引入mHC机制，在GPQA Diamond和TeamBench评测中分别提升4.42分和13.34分
在WorkBuddy Bench、RaccoonPPT Bench和AutomationBench等评测中，该模型性能超过Qwen3.5-27B
模型权重已在GitHub和Hugging Face平台开源，为社区提供了9B级Looped Transformer的开源实践

背景与事实

随着大模型能力持续演进，业界逐渐认识到模型能力提升并非只有扩大参数规模这一条路径。如何在控制参数规模的同时，通过增加有效计算深度进一步释放模型潜力，已成为值得深入探索的方向。近期，循环计算成为大模型架构研究的重点方向，国内外研究社区围绕Looped Transformer展开了攻关探索。然而，目前的探索多停留在学术研究层面，社区尚缺乏可直接面向日常使用的Looped Transformer模型。

2026年10月31日，商汤开源了日日新SenseNova Loop-9B-Preview模型，这是商汤面向下一代模型架构的一项前沿探索。该模型采用创新的Looped Transformer架构，引入循环计算以扩展模型的有效计算深度，并探索更充分的信息交互机制，旨在提升模型在复杂任务上的处理能力。在仅9B的有限参数规模下，该模型展现出了媲美27B参数大小模型的性能表现。

在技术实现上，SenseNova Loop-9B-Preview以9B尺度模型为基座，保留了首尾各4层原始解码器模块，将中间层改造为参数共享的循环计算模块，通过多轮迭代扩展有效计算深度。在此基础上，模型进一步探索循环计算中的信息传递机制，尝试引入mHC（Manifold-Constrained Hyper-Connections），利用多路残差连接与受约束的信息混合，增强特征交互并维持信号传播的稳定性。整体设计旨在控制参数规模的同时，探索提升模型推理能力的新路径。

性能评测方面，SenseNova Loop-9B-Preview在保持9B级参数规模的同时，展现出较强的跨任务性能。在当前评测设置下，模型在代码生成、办公场景和智能体任务等多个方向上均优于其他模型，并在WorkBuddy Bench、RaccoonPPT Bench和AutomationBench等评测中进一步超过Qwen3.5-27B。商汤通过消融实验评估了mHC的实际收益，结果显示采用该机制后，模型取得明显的性能提升，其中GPQA Diamond和TeamBench分别提高了4.42分和13.34分，展现出在复杂推理任务以及多步骤Agent任务中的应用潜力。

影响分析

对于中文开发者与从业者而言，商汤开源的SenseNova Loop-9B-Preview模型具有重要的实践价值。首先，该模型为社区提供了一个9B级Looped Transformer的开源实践，填补了可面向日常使用的Looped Transformer模型空白，使研究者能够直接获取权重进行实验和应用。其次，模型在控制参数规模下展现的优异性能表明，通过增加有效计算深度提升模型能力是一条可行路径，这为在资源受限环境下部署高性能模型提供了新的思路。然而，需要注意的是，现有相关工作仍以研究验证为主，如何让多轮计算真正转化为模型能力的提升，尤其是在信息传递、特征交互和训练稳定性等方面，仍有进一步探索的空间。因此，开发者在使用该模型时，应充分理解其技术特性，避免将其直接应用于生产环境而未经充分验证。

适用边界

本文所述的结论主要适用于在受控实验环境中使用SenseNova Loop-9B-Preview模型进行技术研究和应用探索的场景。该模型作为Preview版本，其性能表现基于特定评测设置，在实际生产环境中可能面临训练稳定性、信息传递效率等方面的挑战。此外，文中提到的性能超越Qwen3.5-27B的结果依赖于具体的评测基准和设置，不能直接推广到所有任务场景。对于需要在大规模实际应用中部署模型的场景，建议等待商汤后续在更大模型规模下对Looped Transformer的进一步优化和验证结果。