商汤近日开源日日新 SenseNova Loop-9B-Preview，该模型采用 Looped Transformer 架构，通过引入循环计算扩展模型的有效计算深度，在仅 9B 参数规模下实现与 27B 参数模型相当的性能表现。模型权重已在 GitHub 和 Hugging Face 平台发布。
随着大模型能力持续演进，参数规模不再是提升模型能力的唯一路径。如何在控制参数规模的同时，通过增加有效计算深度释放模型潜力，正成为架构研究的重要方向。循环计算近期成为国内外研究社区的重点攻关方向，但现有探索多停留在学术研究层面，社区缺乏可直接面向日常使用的 Looped Transformer 模型。SenseNova Loop-9B-Preview 的开源填补了这一空白，为社区提供了 9B 级 Looped Transformer 的开源实践。
在架构设计上，该模型以 9B 尺度模型为基座，保留首尾各 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。模型同时引入 mHC（Manifold-Constrained Hyper-Connections）机制，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前提下，探索提升模型推理能力的新路径。
评测数据显示，SenseNova Loop-9B-Preview 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 等评测中超过 Qwen3.5-27B。消融实验进一步评估了 mHC 机制的实际收益，采用该机制后，模型在 GPQA Diamond 和 TeamBench 上分别提升 4.42 分和 13.34 分，展现出在复杂推理任务及多步骤 Agent 任务中的应用潜力。
商汤方面表示，SenseNova Loop-9B-Preview 只是起点。面向下一代 SenseNova，公司将进一步探索 Looped Transformer 在更大模型规模下的 Scaling 潜力、自适应“快慢思考”机制以及参数共享的更多潜能，同时继续研究 DSA、自适应迭代次数等机制，以提升模型的推理效率与任务表现。如何让多轮计算真正转化为模型能力提升，尤其是在信息传递、特征交互和训练稳定性方面，仍是后续需要持续攻关的方向。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
