我们开源商汤日日新SenseNova Loop-9B-Preview。这是商汤面向下一代模型架构的一项前沿探索：它采用创新Looped Transformer架构，引入循环计算、扩展模型的有效计算深度，并探索更充分的信息交互机制，提升模型在复杂任务上的处理能力，在仅9B的有限参数规模下，媲美27B参数大小模型。
从参数规模到计算深度
随着大模型能力持续演进，模型能力提升不再只有扩大参数规模一条路径。如何在控制参数规模的同时，通过增加有效计算深度进一步释放模型潜力，正成为值得探索的方向。近期，循环计算正成为大模型架构研究的重点方向，国内外研究社区围绕Looped Transformer展开了攻关探索。但目前的探索多停留在学术研究层面，社区尚缺乏可直接面向日常使用的Looped Transformer模型。
此次开源的SenseNova Loop-9B-Preview，为社区提供了一个9B级Looped Transformer的开源实践，既填补了这一空白，体现了商汤对下一代大模型架构的持续探索与思考。
不过，如何让多轮计算真正转化为模型能力的提升，尤其是在信息传递、特征交互和训练稳定性等方面，仍有进一步探索的空间。现有相关工作仍以研究验证为主，如何在更大模型规模下兼顾计算深度、模型能力与实际应用需求，也有待持续推进。
循环结构与信息交互机制
SenseNova Loop-9B-Preview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。
在此基础上，模型进一步探索循环计算中的信息传递机制，尝试引入mHC(Manifold-Constrained Hyper-Connections)，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同时，探索提升模型推理能力的新路径。
模型表现：在多类复杂任务中展现潜力
SenseNova Loop-9B-Preview在保持9B级参数规模的同时，展现出较强的跨任务性能。在当前评测设置下，模型在代码生成、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等评测中进一步超过Qwen3.5-27B。这些结果初步展现了通过扩展有效计算深度，提升小参数模型复杂任务处理能力的潜力。
商汤进一步通过消融实验评估了mHC的实际收益。采用该机制后，模型取得明显的性能提升，其中GPQA Diamond和TeamBench分别提高了4.42分和13.34分，展现出在复杂推理任务以及多步骤Agent任务中的应用潜力。后续还将继续探索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。
我们将SenseNova Loop-9B-Preview接入商汤小浣熊客户端，在任务中进行实践，观察模型在多步骤任务中的实际表现。
一个虚构月球任务展示网站，融合太空任务叙事与可操作的控制中心。任务从地球出发，经历近地轨道、地月转移、绕月和着陆四个阶段。
冰岛：光与地貌的旅行：冰川蓝、火山黑与极光（JG）绿，结合地形地图、旅行叙事、自然景观与摄影构图。
持续探索下一代模型架构Loop-9B只是起点。面向下一代SenseNova，商汤将进一步探索Looped Transformer在更大模型规模下的Scaling潜力、自适应“快慢思考”机制，深度挖掘参数共享的更多潜能，以更灵活的计算方式、更高的参数效率，持续突破模型能力与推理效率的边界。
模型权重开源：
Github：
https://github.com/OpenSenseNova/SenseNova-Loop Hugging Face：
https://huggingface.co/sensenova/SenseNova-Loop-9B-Preview
