商汤 SenseNova Loop-9B:小参数实现长上下文与 Agent
卧槽,9B 的小模型居然能正面硬刚 Qwen3.8-27B???
推荐理由
结构清晰,用具体 Benchmark 数据和架构原理解释了小模型的性能优势,对同类创作者有参考价值。
卧槽,9B 的小模型居然能正面硬刚 Qwen3.8-27B???
商汤刚开源的这个 SenseNova Loop-9B 有点离谱啊!!!
以前大家跑本地 Agent 总觉得参数小了就是人工智障,参数大了显存又根本塞不下!
我刚去翻了下商汤这套循环架构的底子,他们这次的解题思路真特么绝了:
1、它让 32 层物理权重在内部循环复用,硬生生跑出了 56 层的计算深度,只占约 9B 的参数量就能直接撑起 512K 的超长上下文。
2、它在 Agent、写代码和数据分析场景里完全能越级打怪,AutomationBench(36.67)和 AIDABench(65.31)直接追平甚至微超 Qwen3.8-27B,在 BIRD(72.34)和GAIA(69.90)榜单上更是反超了 27B 模型,Terminal-Bench 也干到了 59.55。
3、它还彻底跑通了 Loop Scaling 定律,你只要在推理时拉高它的内部循环次数,模型性能最高还能再暴涨 16.93%。
本地显存不大、又想跑长链路 Agent 的兄弟们这波真有福了,等于拿 9B 的显存开销白嫖接近 30B 模型的脑子,建议大家先把仓库码住收藏!
GitHub:https://github.com/OpenSenseNova/SenseNova-Loop
Hugging Face:https://huggingface.co/sensenova
更进一步:量化金融体系
看懂新闻只是起点——沿量化金融路径,把它变成能交付的工程能力