¿Qué es SenseNova-Loop-9B-Preview?
SenseNova-Loop-9B-Preview es un modelo multimodal abierto del equipo SenseNova de SenseTime, publicado el 30 de octubre de 2026 con licencia Apache 2.0. Lee texto e imágenes y escribe texto, y está orientado al trabajo de agentes con contexto largo: documentos, código, hojas de cálculo, diapositivas y llamadas a herramientas.
Su rasgo distintivo es un decodificador en bucle. El modelo almacena 32 capas de decodificador, pero las capas 4 a 27 se ejecutan dos veces seguidas con los mismos pesos, así que cada token pasa por 56 cálculos de capa. SenseTime lo describe como unos 9.000 millones de parámetros almacenados que hacen el trabajo de unos 14.600 millones. Dentro del bucle, dos flujos residuales paralelos se mezclan con proyecciones aprendidas y restringidas (manifold-constrained hyper-connections, o mHC), y la atención alterna tres capas de atención lineal con una de atención completa.
Se entrenó con secuencias de hasta 262.144 tokens y admite predicción de varios tokens para decodificar más deprisa. El informe técnico figura como "TBD", y los detalles de publicación de la implementación en Transformers están por anunciar.
¿Merece la pena SenseNova-Loop-9B-Preview?
El gráfico de lanzamiento de SenseNova-Loop-9B-Preview es fuerte para un modelo de 9B y limitado en lo que prueba. En ocho benchmarks supera a Qwen3.5-9B en todos, a menudo con amplitud: 66,89 frente a 41,63 en WorkBuddy Bench, 58,87 frente a 40,78 en AIDABench y 13,72 frente a 1,05 en AutomationBench. También supera al mayor Qwen3.5-27B en seis de los ocho. Los ocho son tareas de agente, de oficina o de bases de datos; uno, RaccoonPPTBench, donde obtiene 70,70, es la prueba interna de SenseTime de generación de diapositivas. No hay benchmarks de visión, conocimiento ni razonamiento, pese a que el modelo lee imágenes, y todavía no hay resultados independientes.
El gráfico tiene puntos flojos. En Terminal Bench 2.1 su 40,45 solo empata con Qwen3.5-35B-A3B y Qwen3.6-35B-A3B, y queda por detrás de Qwen3.5-27B con 47,19 y del Nanbeige4.2 de 3B con 49,44. En τ³-Banking lidera Qwen3.5-27B, 19,59 frente a 18,56.
El diseño en bucle es el motivo para seguirlo. Ejecutar dos veces las capas 4 a 27 da la profundidad de un modelo mayor almacenando solo 32 capas, pero no ahorra cómputo: cada token sigue costando 56 pasadas de capa, más o menos el trabajo de un modelo de 14,6B según la propia descripción de SenseTime. El ahorro está en la memoria de los pesos, no en la velocidad.
En la práctica ni siquiera ese ahorro es visible todavía. El repositorio de Hugging Face ocupa 38,1 GB en nueve fragmentos, y sus metadatos indican 9.410 millones de parámetros almacenados en FP32, aunque la ficha describe una red troncal en BF16. Todos los ejemplos para servirlo usan cuatro GPU con paralelismo de tensores, el soporte de vLLM y SGLang está en pull requests sin fusionar, y un runtime estándar que ejecute cada capa una sola vez calcularía una red distinta, así que las cuantizaciones de la comunidad requieren cuidado. La etiqueta de vista previa está bien puesta.
Dónde se gana su sitio
Un investigador de ML en un laboratorio universitario que trabaja en arquitecturas eficientes
Estudiar cómo los bucles con pesos compartidos cambian parámetros por profundidad
Carga el checkpoint en Transformers 5.18.0 con trust_remote_code e inspecciona la configuración del bucle, que define las capas 4 a 27 como el bloque repetido con 2 pasadas. El fork de torchtitan de SenseTime incluye recetas de entrenamiento SFT, DPO y MTP para ejecuciones en un nodo con 8 GPU.
Un equipo de plataforma de IA en una consultora que automatiza presentaciones y análisis de hojas de cálculo
Probar un modelo abierto pequeño para tareas de agente de oficina antes de comprometerse con uno mayor
Sírvelo con LightLLM en cuatro GPU como muestra la ficha, y después compáralo con Qwen3.5-27B en tus propias tareas. Sus puntuaciones de 66,89 en WorkBuddy y 70,70 en RaccoonPPTBench son de SenseTime, y la segunda es una prueba interna.
Un ingeniero de autoalojamiento en una empresa de software de 50 personas
Ejecutar un modelo de agente multimodal local en una GPU de estación de trabajo
Espera por ahora: los pesos oficiales ocupan 38,1 GB, los ejemplos de la ficha usan paralelismo de tensores en cuatro GPU y no existe ninguna versión cuantizada de SenseTime. Cualquier cuantización de la comunidad debe conservar intactos los operadores de bucle y de enrutamiento para calcular el mismo modelo.
Antes de decidirte
- Puesta en marcha
- Instala transformers 5.18.0 y PyTorch 2.11.0 con CUDA 13.0, y carga con AutoModelForCausalLM y trust_remote_code; el código del modelo viene en el repositorio. Para servirlo, compila vLLM desde la pull request 64832 o SGLang desde la pull request 47281, o usa la imagen de Docker de LightLLM.
- Integraciones
- Endpoints de chat compatibles con OpenAI desde LightLLM, vLLM o SGLang; un modo de razonamiento que se activa con enable_thinking; decodificación especulativa MTP ya disponible, con los modelos borrador DSpark y DFlash2 aún en entrenamiento. Los pesos están replicados en ModelScope.
- Datos y privacidad
- Apache 2.0 sin restricciones de uso; solo autoalojado. La carga requiere código remoto, que ejecuta Python de SenseTime en tu máquina. No hay declaración sobre los datos de entrenamiento más allá de recetas multimodales de secuencias largas y trayectorias de herramientas.
- Coste a escala
- El checkpoint de 38,1 GB y el paralelismo de tensores a cuatro vías de todos los ejemplos lo llevan a servidores con varias GPU, no a tarjetas sueltas. Cada token cuesta 56 pasadas de capa, así que el cómputo por token se parece más al de un modelo de 14,6B que al de uno de 9B.
- Límites
- Versión preliminar sin informe técnico. La configuración admite 262.144 posiciones, la longitud de entrenamiento; figuran inglés y chino. Los runtimes que ejecutan cada capa una sola vez calculan una red distinta, así que las versiones cuantizadas o adaptadas deben reproducir el bucle.
Lo bueno
- Supera a Qwen3.5-9B en los ocho benchmarks del lanzamiento (cifras propias)
- 66,89 en WorkBuddy Bench y 58,87 en AIDABench, por encima de Qwen3.5-27B
- El diseño en bucle da 56 pasadas de capa a partir de 32 capas almacenadas
- Apache 2.0, con scripts de ajuste fino y de entrenamiento de modelos borrador
Lo malo
- Sin informe técnico; sin benchmarks de visión, conocimiento ni razonamiento
- Uno de los ocho benchmarks es una prueba interna de SenseTime
- Checkpoint de 38,1 GB almacenado sobre todo en FP32; los ejemplos usan cuatro GPU
- Soporte de vLLM y SGLang solo en pull requests sin fusionar
Ideal para
Equipos de investigación que estudian arquitecturas en bucle y con pesos compartidos, o que evalúan pequeños modelos abiertos para agentes de oficina, y toleran herramientas de calidad de vista previa.
Alternativas a SenseNova-Loop-9B-Preview
SenseNova-Loop-9B-Preview: preguntas frecuentes
- ¿Merece la pena SenseNova-Loop-9B-Preview?
- SenseNova-Loop-9B-Preview logra puntuaciones de agente muy por encima de su tamaño, pero es una vista previa sin informe técnico, con una descarga de 38 GB y el soporte para servirlo aún en ramas sin fusionar. Le damos un 3.5 sobre 5.
- ¿Cuánto cuesta SenseNova-Loop-9B-Preview?
- Gratuito con licencia Apache 2.0. No hay API alojada para este modelo.
- ¿Qué inconvenientes tiene SenseNova-Loop-9B-Preview?
- Sin informe técnico; sin benchmarks de visión, conocimiento ni razonamiento; uno de los ocho benchmarks es una prueba interna de SenseTime; checkpoint de 38,1 GB almacenado sobre todo en FP32; los ejemplos usan cuatro GPU; soporte de vLLM y SGLang solo en pull requests sin fusionar.
- ¿Para quién es SenseNova-Loop-9B-Preview?
- Equipos de investigación que estudian arquitecturas en bucle y con pesos compartidos, o que evalúan pequeños modelos abiertos para agentes de oficina, y toleran herramientas de calidad de vista previa.
- ¿Cuánto cuesta SenseNova-Loop-9B-Preview para un equipo o en producción?
- El checkpoint de 38,1 GB y el paralelismo de tensores a cuatro vías de todos los ejemplos lo llevan a servidores con varias GPU, no a tarjetas sueltas. Cada token cuesta 56 pasadas de capa, así que el cómputo por token se parece más al de un modelo de 14,6B que al de uno de 9B.
- ¿Es SenseNova-Loop-9B-Preview seguro para los datos de la empresa?
- Apache 2.0 sin restricciones de uso; solo autoalojado. La carga requiere código remoto, que ejecuta Python de SenseTime en tu máquina. No hay declaración sobre los datos de entrenamiento más allá de recetas multimodales de secuencias largas y trayectorias de herramientas.
- ¿Cuáles son las mejores alternativas a SenseNova-Loop-9B-Preview?
- Las alternativas más cercanas que hemos analizado son ZDTaichu5.0-9B, Qwen3.8-27B, MiniCPM-V 4.7 (35B-A3B and 1B) y Nanbeige4.3-33B.
Respuestas comprobadas el 2 nov 2026.