SenseNova Loop-9B-Preview – 商汤推出的循环架构多模态模型

SenseNova Loop-9B-Preview 是商汤科技于 2026 年 10 月开源的多模态语言模型，面向长上下文与智能体工作流，接受文本与图像输入、输出文本。它把解码器第 4 至 27 层（从 0 开始编号）作为共享区块连续执行两遍，只用 32 层权重就完成 56 层计算，训练上下文最长 262,144 个 token，权重按 Apache-2.0 协议开放，适用于文档理解、代码生成与工具调用。

SenseNova Loop-9B-Preview 的核心能力

SenseNova Loop-9B-Preview 的重心在长材料与长任务上：32 层解码器里第 4 至 27 层连续执行两遍，每四层一组做三线性一全注意力，32 层权重完成 56 层计算，上下文到 262,144 个 token。以下四项是对照官方材料能核到的边界。

跨章节读完一份长材料

把 262,144 个 token 的材料一次装进上下文，跨章节检索、信息抽取与结论合并可放在同一次调用里，省掉切分与二次汇总；超出这个范围仍要分段处理。

长任务里连续调用外部工具

训练配方把文档、代码与工具轨迹混在一起，适合接入外部工具执行环境处理多步骤任务。工具调用、历史记录与中间状态由上层智能体框架管理，模型自身不承担持久化。

图像与文本混着读

输入接受文本与图像，视觉与文字进同一条序列，输出为文本。可用于报表截图取数、扫描件信息提取与设计稿字段整理，减少对独立 OCR 预处理的依赖。

在自有显卡上部署与继续微调

权重按 Apache-2.0 开放，模型卡给出 bfloat16 单卡加载示例但没给最低显存要求，服务化可走 LightLLM、SGLang 与 vLLM 三条路径。同类长文本推理加速可对照站内 RedKnot。

SenseNova Loop-9B-Preview 与同类多模态模型的对比

下表按出品方、开源情况、上下文长度等维度，把三款模型放在一起对照。

• 表格内数据来源：SenseNova Loop-9B-Preview 取官方模型卡与 GitHub 仓库，MiniCPM-V 4.7 与 Muse Spark Open 取站内规格页，未公开项按官方口径标注。
• 产品对比简述：上下文长度上 SenseNova Loop-9B-Preview 给到 262,144 个 token，参数规模仅约 9B；MiniCPM-V 4.7 参数规模分 35B-A3B 与 1B 两档，部署形态更偏端侧；Muse Spark Open 参数规模达 816B，部署形态明显更重，需要大规模 GPU 集群。

如果关心的是商汤同一系列里已经上线的多模态产品，站内的 SenseNova U1.5-8B-MoT 是可直接对照的一页。

SenseNova Loop-9B-Preview 的应用场景与适用人群

它擅长的是「一份长材料加一串工具调用」这类任务，单轮问答用不上这么深的执行路径：

• 长文档理解：Token 在 262,144 以内的材料一次装入上下文，跨章节比对与结论合并。
• 代码与工具调用：训练配方含工具轨迹，接入外部执行环境处理多步骤查询与结果校验。
• 图文混合任务：读图取数再落成文字结论，例如报表截图与设计稿的字段整理。
• 训练与微调：官方给出单机八卡的 TorchTitan 脚本。

适用人群：适合有长文档、长任务管线且要自建部署的团队，也适合做多模态智能体原型的工程组。只需端侧轻量识图的场景，可对照站内 ZDTaichu5.0-9B 这类更小的开源模型。

SenseNova Loop-9B-Preview 的使用方法

三条路径分属不同载体：本地推理、命令行服务、接口接入，取舍在显存与服务形态。

本地权重：用 Transformers 加载生成

1. 按模型卡环境装依赖：Transformers 5.18.0、PyTorch 2.11.0（CUDA 13.0）、accelerate 与 safetensors。
2. 在 Hugging Face 上取 SenseNova Loop-9B-Preview 权重，或直接用仓库 ID 让 transformers 拉取。
3. 以 bfloat16 加载并开启 trust_remote_code，先做一次贪心解码确认输出正常。

命令行：用容器起一个推理服务

1. 拉取 LightLLM 官方镜像，模型目录挂到 /model，四卡示例的 --tp 与 LOADWORKER 须一致。
2. SGLang 拉 PR #47281 的分支、vLLM 拉 PR #64832 的分支，两个实现都还没进稳定版，升级别按主干走。
3. 看启动日志里的显存占用与并行配置，再放真实请求。

接口：按 OpenAI 格式接进业务

1. 用 /v1/chat/completions 发一次请求，与本机推理逐字比对，确认两条链路一致。
2. 改模型时克隆 OpenSenseNova/torchtitan，取 mhc2_loop2_titan.sh，把 MODEL_PATH 与 DATASET 指向自己的数据，单机八卡跑一轮。
3. 循环层号、遍数与 mHC 路由都属执行配置，训练侧改动后要同步到推理侧。

SenseNova Loop-9B-Preview 的项目地址

• 官网：https://www.sensenova.cn/zh
• Hugging Face 权重：https://huggingface.co/sensenova/SenseNova-Loop-9B-Preview
• GitHub 仓库：https://github.com/OpenSenseNova/SenseNova-Loop

SenseNova Loop-9B-Preview 的价格与开源情况

权重按 Apache-2.0 在 Hugging Face 开放，下载与自部署不向商汤付费，成本落在自有显卡上。协议允许商用与再分发，保留版权与许可声明即可。

商汤没有为这个 Preview 版本单独公布 API 单价，文中不写未经核实的数字。自建时的账分两段：推理侧的显存与卡数，微调侧的卡时。

想验证效果，先在单卡以 bfloat16 跑一次推理，再决定是否上多卡；显存与卡数随上下文长度、批量与推理框架变化，官方没给固定配置。

SenseNova Loop-9B-Preview 的常见问题