Was ist SenseNova-Loop-9B-Preview?
SenseNova-Loop-9B-Preview ist ein offenes multimodales Modell des SenseNova-Teams bei SenseTime, veröffentlicht am 30. Oktober 2026 unter Apache 2.0. Es liest Text und Bilder, schreibt Text und zielt auf Agent-Arbeit mit langem Kontext: Dokumente, Code, Tabellen, Folien und Tool-Aufrufe.
Sein besonderes Merkmal ist ein Decoder mit Schleife. Das Modell speichert 32 Decoder-Schichten, doch die Schichten 4 bis 27 laufen nacheinander zweimal mit denselben Gewichten, sodass jedes Token 56 Schichtberechnungen durchläuft. SenseTime beschreibt das als etwa 9 Milliarden gespeicherte Parameter, die die Arbeit von etwa 14,6 Milliarden leisten. Innerhalb der Schleife werden zwei parallele Residual-Ströme durch gelernte, beschränkte Abbildungen gemischt (manifold-constrained hyper-connections, kurz mHC), und die Attention wechselt drei Schichten mit linearer Attention mit einer Schicht voller Attention ab.
Es wurde auf Sequenzen mit bis zu 262.144 Tokens trainiert und unterstützt Multi-Token Prediction für schnelleres Dekodieren. Der technische Bericht ist als "TBD" aufgeführt, und Details zur Veröffentlichung der Transformers-Implementierung sollen noch folgen.
Lohnt sich SenseNova-Loop-9B-Preview?
Das Startdiagramm von SenseNova-Loop-9B-Preview ist für ein 9B-Modell stark und in dem, was es testet, eng. Auf acht Benchmarks führt es auf jedem vor Qwen3.5-9B, oft deutlich: 66,89 gegenüber 41,63 auf WorkBuddy Bench, 58,87 gegenüber 40,78 auf AIDABench und 13,72 gegenüber 1,05 auf AutomationBench. Auf sechs der acht schlägt es auch das größere Qwen3.5-27B. Alle acht sind Agent-, Büro- oder Datenbankaufgaben; einer davon, RaccoonPPTBench mit 70,70, ist SenseTimes interner Test zur Foliengenerierung. Benchmarks zu Vision, Wissen oder Reasoning gibt es nicht, obwohl das Modell Bilder liest, und unabhängige Ergebnisse auch noch nicht.
Das Diagramm hat Schwachstellen. Auf Terminal Bench 2.1 liegt es mit 40,45 nur gleichauf mit Qwen3.5-35B-A3B und Qwen3.6-35B-A3B und hinter Qwen3.5-27B mit 47,19 und dem 3B-Modell Nanbeige4.2 mit 49,44. Auf τ³-Banking führt Qwen3.5-27B mit 19,59 zu 18,56.
Die Bauweise mit Schleife ist der Grund, es im Blick zu behalten. Die Schichten 4 bis 27 zweimal laufen zu lassen, bringt die Tiefe eines größeren Modells bei nur 32 gespeicherten Schichten, spart aber keine Rechenleistung: Jedes Token kostet weiterhin 56 Schichtdurchläufe, nach SenseTimes eigener Beschreibung etwa die Arbeit eines 14,6B-Modells. Gespart wird Speicher für Gewichte, nicht Zeit.
In der Praxis ist selbst diese Ersparnis noch nicht sichtbar. Das Hugging-Face-Repository umfasst 38,1 GB in neun Shards, und seine Metadaten nennen 9,41 Milliarden in FP32 gespeicherte Parameter, obwohl die Model Card ein Backbone in BF16 beschreibt. Jedes Beispiel für den Betrieb nutzt vier GPUs mit Tensor-Parallelität, die Unterstützung für vLLM und SGLang steckt in nicht gemergten Pull Requests, und eine Standard-Laufzeit, die jede Schicht nur einmal ausführt, würde ein anderes Netz berechnen. Quantisierungen der Community brauchen also Sorgfalt. Das Etikett Preview ist verdient.
Wo es sich lohnt
Ein ML-Forscher in einem Universitätslabor, das an effizienten Architekturen arbeitet
Untersuchen, wie Schleifen mit geteilten Gewichten Parameter gegen Tiefe tauschen
Lade den Checkpoint in Transformers 5.18.0 mit trust_remote_code und sieh dir die Schleifeneinstellungen an, die die Schichten 4 bis 27 als wiederholten Block mit 2 Durchläufen festlegen. SenseTimes Fork von torchtitan enthält Trainingsrezepte für SFT, DPO und MTP für Läufe auf einem Knoten mit 8 GPUs.
Ein KI-Plattformteam in einer Beratung, das Foliensätze und Tabellenanalysen automatisiert
Ein kleines offenes Modell für Büro-Agenten testen, bevor man sich auf ein größeres festlegt
Betreibe es wie in der Model Card gezeigt mit LightLLM auf vier GPUs und vergleiche es dann an deinen eigenen Aufgaben mit Qwen3.5-27B. Die Werte von 66,89 auf WorkBuddy und 70,70 auf RaccoonPPTBench stammen von SenseTime, und Letzterer ist ein interner Test.
Ein Engineer für Selbsthosting in einer Softwarefirma mit 50 Mitarbeitern
Ein lokales multimodales Agent-Modell auf einer einzelnen Workstation-GPU betreiben
Vorerst warten: Die offiziellen Gewichte sind 38,1 GB groß, die Beispiele der Model Card nutzen Tensor-Parallelität über vier GPUs, und einen quantisierten Build von SenseTime gibt es nicht. Jede Quantisierung der Community muss die Schleifen- und Routing-Operatoren erhalten, um dasselbe Modell zu berechnen.
Bevor du dich festlegst
- Einrichtung
- transformers 5.18.0 und PyTorch 2.11.0 mit CUDA 13.0 installieren, dann mit AutoModelForCausalLM und trust_remote_code laden; der Modellcode liegt im Repository. Für den Betrieb vLLM aus Pull Request 64832 oder SGLang aus Pull Request 47281 bauen, oder das Docker-Image von LightLLM nutzen.
- Integrationen
- OpenAI-kompatible Chat-Endpunkte aus LightLLM, vLLM oder SGLang; ein Thinking-Modus, geschaltet mit enable_thinking; MTP-Speculative-Decoding schon jetzt, die Draft-Modelle DSpark und DFlash2 noch im Training. Die Gewichte sind auf ModelScope gespiegelt.
- Daten und Datenschutz
- Apache 2.0 ohne Nutzungsbeschränkungen; nur selbst gehostet. Das Laden erfordert Remote Code, der SenseTimes Python auf deinem Rechner ausführt. Keine Angaben zu Trainingsdaten über Rezepte für lange multimodale Sequenzen und Tool-Trajektorien hinaus.
- Kosten im großen Maßstab
- Der Checkpoint mit 38,1 GB und vierfache Tensor-Parallelität in jedem Beispiel für den Betrieb verweisen auf Server mit mehreren GPUs, nicht auf einzelne Karten. Jedes Token kostet 56 Schichtdurchläufe, die Rechenleistung pro Token liegt also näher an einem 14,6B-Modell als an einem 9B-Modell.
- Grenzen
- Vorschau-Release ohne technischen Bericht. Die Konfiguration erlaubt 262.144 Positionen, die Trainingslänge; aufgeführt sind Englisch und Chinesisch. Laufzeiten, die jede Schicht nur einmal ausführen, berechnen ein anderes Netz, quantisierte oder portierte Builds müssen die Schleife also nachbilden.
Was gut ist
- Führt auf allen acht Start-Benchmarks vor Qwen3.5-9B (selbst gemeldet)
- 66,89 auf WorkBuddy Bench und 58,87 auf AIDABench, über Qwen3.5-27B
- Bauweise mit Schleife ergibt 56 Schichtdurchläufe aus 32 gespeicherten Schichten
- Apache 2.0, mit Skripten zur Feinabstimmung und zum Training von Draft-Modellen
Was nicht
- Kein technischer Bericht; keine Benchmarks zu Vision, Wissen oder Reasoning
- Einer der acht Benchmarks ist ein interner Test von SenseTime
- Checkpoint mit 38,1 GB überwiegend in FP32 gespeichert; Beispiele nutzen vier GPUs
- Unterstützung für vLLM und SGLang nur in nicht gemergten Pull Requests
Am besten für
Forschungsteams, die Architekturen mit Schleifen und geteilten Gewichten untersuchen oder kleine offene Modelle für Büro-Agenten evaluieren und Werkzeuge im Vorschaustadium aushalten.
Alternativen zu SenseNova-Loop-9B-Preview
SenseNova-Loop-9B-Preview: häufige Fragen
- Lohnt sich SenseNova-Loop-9B-Preview?
- SenseNova-Loop-9B-Preview erzielt Agent-Werte weit über seiner Größe, ist aber eine Vorschau ohne technischen Bericht, mit 38 GB Download und Unterstützung für den Betrieb, die noch in nicht gemergten Branches steckt. Wir bewerten es mit 3.5 von 5.
- Was kostet SenseNova-Loop-9B-Preview?
- Kostenlos unter Apache 2.0. Keine gehostete API für dieses Modell aufgeführt.
- Welche Nachteile hat SenseNova-Loop-9B-Preview?
- Kein technischer Bericht; keine Benchmarks zu Vision, Wissen oder Reasoning; Einer der acht Benchmarks ist ein interner Test von SenseTime; Checkpoint mit 38,1 GB überwiegend in FP32 gespeichert; Beispiele nutzen vier GPUs; Unterstützung für vLLM und SGLang nur in nicht gemergten Pull Requests.
- Für wen eignet sich SenseNova-Loop-9B-Preview?
- Forschungsteams, die Architekturen mit Schleifen und geteilten Gewichten untersuchen oder kleine offene Modelle für Büro-Agenten evaluieren und Werkzeuge im Vorschaustadium aushalten.
- Was kostet SenseNova-Loop-9B-Preview für ein Team oder im Produktivbetrieb?
- Der Checkpoint mit 38,1 GB und vierfache Tensor-Parallelität in jedem Beispiel für den Betrieb verweisen auf Server mit mehreren GPUs, nicht auf einzelne Karten. Jedes Token kostet 56 Schichtdurchläufe, die Rechenleistung pro Token liegt also näher an einem 14,6B-Modell als an einem 9B-Modell.
- Ist SenseNova-Loop-9B-Preview sicher für Firmendaten?
- Apache 2.0 ohne Nutzungsbeschränkungen; nur selbst gehostet. Das Laden erfordert Remote Code, der SenseTimes Python auf deinem Rechner ausführt. Keine Angaben zu Trainingsdaten über Rezepte für lange multimodale Sequenzen und Tool-Trajektorien hinaus.
- Was sind die besten Alternativen zu SenseNova-Loop-9B-Preview?
- Die nächsten Alternativen, die wir getestet haben, sind ZDTaichu5.0-9B, Qwen3.8-27B, MiniCPM-V 4.7 (35B-A3B and 1B) und Nanbeige4.3-33B.
Antworten geprüft am 2. Nov. 2026.