9B模型跑56层效果:SenseNova-Loop正式版基准大幅提升

SenseNova-Loop-9B正式版采用部分层循环架构,多项基准大幅跃升,但成绩尚待第三方复现。
SenseNova团队发布SenseNova-Loop-9B正式版,相比Preview版本在全部七项基准上均有提升。该模型采用循环Transformer设计:存储32层参数,其中24层在前向传播中执行两次,等效56层计算量,参数量维持9B。AutomationBench从14.33升至36.67,GAIA从37.86升至69.90,Terminal-Bench 2.1从40.45升至59.55。4-bit量化权重约4.9GB,Apache 2.0协议,vLLM和SGLang部署配置已开源。AutomationBench成绩与团队列出的Qwen3.8-27B持平。但所有数据来自发布方README,尚无第三方独立复现,跨模型比较的评测条件一致性待验证,循环层对推理延迟的实际影响也值得关注。
SenseNova 团队发布了 SenseNova-Loop-9B 的正式版本,与之前的 Preview 版本相比,多个基准测试成绩出现显著跃升。据 Reddit 社区讨论和 Hugging Face 模型卡信息,这款采用循环 Transformer 设计的 9B 参数模型在 AutomationBench 上从 14.33 提升到 36.67,GAIA 从 37.86 提升到 69.90,Terminal-Bench 2.1 从 40.45 提升到 59.55。

循环架构:32层存储,24层跑两遍
SenseNova-Loop-9B 的核心设计思路并不复杂:模型存储 32 层参数,但其中 24 层在前向传播时会被执行两次,因此一次完整的前向计算实际完成了 56 层的工作量,而参数量仍然维持在 9B 左右。这种“层循环”策略让模型在不增加参数规模的情况下扩展了计算深度,思路与 Universal Transformer 等早期循环架构一脉相承,但在工程实现上做了更务实的取舍——并非所有层都循环,而是选择性地复用部分层。
从效率角度看,这种做法在推理时增加了计算量,但权重存储和显存占用更可控。4-bit 量化下权重仅约 4.9 GB,对于本地部署和实验来说门槛较低。模型采用 Apache 2.0 协议,代码和 vLLM、SGLang 的部署配置已在 GitHub 的 OpenSenseNova/SenseNova-Loop 仓库中提供。
Universal Transformer 是 Google 在 2018 年提出的架构,核心思想是用同一个 Transformer 层在深度方向上反复迭代,而非堆叠多个独立层。它引入了“深度循环”的概念,并通过自适应计算时间(ACT)机制动态决定每个 token 需要循环多少步。这种设计的优势在于参数共享带来的内存节省,以及理论上更强的组合泛化能力。但早期实现面临训练不稳定、循环次数难以学习等问题,后续的实用化变体多采用固定或分层循环策略。SenseNova-Loop-9B 的“部分层循环”可以看作这一思路的折中:保留部分层单次执行以维持表示多样性,仅对中间层做固定次数的复用,从而在工程可控性和计算深度扩展之间取得平衡。
基准成绩全面超越 Preview 版本
根据模型 README 披露的数据,正式版在图表中列出的全部七项基准上均优于 Preview 版本。除了开头提到的三项,其余指标也有不同程度提升。其中 AutomationBench 的 36.67 分值得单独注意——这个数字恰好也是团队为 Qwen3.8-27B 列出的成绩,意味着一个 9B 模型在自动化任务基准上追平了参数规模更大的竞品,至少在该评测维度上如此。
GAIA 从 37.86 到 69.90 的跨越尤其醒目,接近翻倍。Terminal-Bench 2.1 提升约 19 个百分点,说明在终端操作和代码执行类任务上,正式版的可靠性有明显改善。这些提升幅度在同一个模型家族的版本迭代中并不常见,通常预览版到正式版的差距更多体现在稳定性和边缘案例上,而非基准分数的量级变化。
GAIA(General AI Assistants)是 Meta 等机构在 2023 年提出的基准,专门评估 AI 系统在真实世界助手任务中的表现。题目设计为需要多步推理、工具调用和网络检索的复合问题,答案通常是一个明确的事实或数字,便于自动评分。GAIA 的难度分为三个级别,Level 1 相对直接,Level 3 则需要复杂的规划与外部工具协同。该基准强调“人类容易、AI 困难”的任务,因此分数提升往往反映的是系统级能力——包括工具使用、信息整合和推理链稳定性——而非单一模型的知识量。从 37.86 到 69.90 的跃升,意味着正式版在多步任务编排和工具调用可靠性上有了实质性改善。
Terminal-Bench 是一套面向终端操作与代码执行任务的评测集合,要求模型在真实的 shell 环境中完成文件操作、脚本编写、调试和命令组合等任务。与传统代码生成基准不同,Terminal-Bench 强调端到端的执行正确性:模型需要理解命令输出、处理错误并迭代修正。2.1 版本进一步扩展了任务覆盖范围和环境复杂度。该基准的分数通常与模型的工具调用能力、长上下文管理和错误恢复策略强相关,因此 19 个百分点的提升不仅说明代码能力增强,也暗示正式版在交互式任务循环中的鲁棒性有显著进步。
数据背后的观察与待验证之处
说一下,上述成绩均来自模型发布方自己的 README,目前尚无第三方独立复现。Reddit 原帖作者也明确表示“还没亲自跑过”。基准对比中出现的 Qwen3.8-27B 数据同样来自同一份材料,跨模型比较时评测配置是否完全一致、是否使用了相同的提示格式和工具链,都会影响分数的可比性。
另一个值得关注的点是循环层设计对推理延迟的实际影响。56 层的等效计算量意味着推理成本高于同参数量的常规 Transformer,vLLM 和 SGLang 的适配程度将直接决定实际部署体验。社区目前对这类“参数效率优先”的架构兴趣浓厚,但真正的检验来自独立评测和实际任务中的表现。
对于想在本地尝试的开发者,4.9 GB 的 4-bit 权重是一个友好的起点,GitHub 仓库提供了完整的部署脚本。建议关注后续是否有第三方在相同条件下复现这些基准,以及循环深度是否可以通过配置调整——如果 24 层循环是可配置的,模型在延迟和效果之间的取舍空间会更大。
相关推荐

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作
Google DeepMind 发布 Gemini 4 Neon,主打前沿智能与快速端到端任务执行。本文解析其在编程、企业分析、科学推理与网络安全上的基准表现、四档思考等级、定价与安全对齐数据。

AI是全球断网元凶?NSA、FAA接连宕机背后的信任危机
NSA机密网络五天内第四起重大故障,微软称软件bug、FAA否认新AI系统有关、NSA称例行维护。参议员沃纳提出AI加速漏洞发现导致仓促修复的另一种解释,而39%美国人对AI的负面看法让信任危机浮出水面。

机器人开发者自研B-rep内核,测试达3487项
机器人开发者自研B-rep几何内核并编写3,487项测试,探讨机器人领域为何需要专用CAD工具,以及自研内核的机遇与门槛。