商汤科技发布 SenseNova Loop 9B,宣称其部分 Agent 和数据分析测试接近参数量更大的 Qwen3.8-27B,同时在特定配置下仅需约 15GiB 显存。这组信息来自项目方和社区转述,尚不能替代独立复测,但足以说明一个趋势:模型竞争正从单纯增加参数,转向如何用更少资源完成更多计算。

这是什么

SenseNova Loop 9B 是一款约 90 亿参数的文本与图像输入模型。其核心是循环架构:32 个物理解码层中,24 层会在一次推理中重复执行,从而形成 56 层计算;mHC(把不同网络层的信息进行组合与传递的连接机制)则负责在两条信息流之间调度。

项目方公布的测试包括代码仓库生成、工具调用和数据分析。在 NL2Repo 上,它得到 41.36 分,对比 Qwen3.8-27B 的 44.60;在 AIDABench 上则为 65.31,略高于后者的 65.01。官方还发布了 4 位量化版本。配合 4 位权重和 8 位 KV 缓存,其长上下文图像推理所需显存约为 15GiB;所谓 KV 缓存,是模型保存此前文本信息以支持长对话和长上下文的临时空间。

行业怎么看

值得肯定的是,循环计算并非只为榜单设计。若实际速度、工具调用稳定性和长上下文质量能够复现,它可能让企业用单卡或较少硬件运行原本需要更大模型的任务,尤其适合代码分析、内部知识处理和私有化部署。

但风险同样明确。项目成绩主要来自发布方,真实业务往往涉及脏数据、长链路工具调用和不同硬件环境,而榜单无法完整覆盖这些条件。社区计划次日提供 GGUF 量化文件,这有助于降低试用门槛,却也可能带来质量与速度折损;此外,“27B”只是参数量名称,并不等同于固定的模型版本或能力边界,直接比较仍需谨慎。

我们更关注的不是它能否全面超过更大模型,而是模型效率是否开始成为采购指标。对算力预算有限的企业来说,部署显存、响应速度、授权成本和真实任务成功率,可能比参数规模更接近业务价值。

对普通人的影响

对企业 IT:同一套硬件运行代码分析或多模态模型,可能降低扩容门槛;但选型时仍应实测速度、显存占用与工具调用失败率,不能只看参数和榜单。

对个人职场:更强的本地模型有望支持文档整理、数据分析和代码辅助,不过能否改善工作体验,还取决于软件适配、知识资料质量以及使用者的验证能力。

对消费市场:更便宜的推理成本可能推动离线助手和低价企业服务普及;若官方量化版体验稳定,硬件厂商也能借此强调“本地运行”的实用价值。