商汤 Loop-9B-Preview 依托循环计算架构实现 9B 参数媲美 27B 模型性能

商汤开源的 Loop-9B-Preview 小参数模型，依靠创新循环计算架构，不用增加模型参数，只提升有效计算深度，让 9B 参数模型综合能力达到 27B 大模型水准，在代码生成、办公自动化、智能体任务等多个评测项目里都取得优异成绩，是轻量化大模型技术路线的重要落地成果。这款模型跳出了单纯依靠扩充参数提升能力的传统思路，用参数共享循环迭代的方式拉长计算流程，再搭配 mHC 信息交互机制解决多轮迭代带来的信号衰减问题，只用 90 亿参数就实现了更高参数模型的推理效果，同时兼顾部署成本与运行效率，非常适合端侧与轻量化业务场景落地使用。

一、模型核心架构设计清单

1. Looped Transformer 循环主体结构

• 基础层数：整体保留 32 层解码器权重，首尾各固定 4 层不参与循环计算。
• 中间模块：中间层级做成参数共享模块，开启多轮循环迭代，把实际有效计算深度拓展到 56 层。
• 核心逻辑：同一套权重反复多次运算，不新增参数量，只增加模型思考轮次。

2. mHC 流形约束超连接配套机制

• 作用：解决多轮循环计算中容易出现的梯度不稳、信号衰减问题。
• 实现方式：搭建多路残差连接，增加约束型信息混合，保障多层反复计算时特征传递稳定，充分挖掘模型潜力。

二、模型性能优势明细

1. 参数规格：仅 9B 参数量，硬件显存占用更低，部署门槛大幅降低。
2. 对标水准：综合能力持平甚至超越 27B 参数大模型，在 WorkBuddy Bench、RaccoonPPT Bench、AutomationBench 等评测中优于 Qwen3.5-27B。
3. 优势场景：代码生成、办公文档处理、智能体自动执行等复杂推理任务表现突出。

三、开源部署基础信息

• 开源协议：Apache 2.0，可免费商用、二次开发。
• 资源地址：模型权重上传至 Hugging Face，源代码同步发布在 GitHub 平台。
• 适用场景：本地私有化部署、端侧设备运行、中小算力服务器的 AI 业务开发。

四、整体总结

Loop-9B-Preview 能够做到小参数对标大模型，核心在于把技术重心从堆参数转向加深计算深度。依靠 Looped Transformer 循环架构 + mHC 信息稳定机制，用 9B 参数实现 27B 级别的推理能力，既压缩了硬件成本，又保住了模型综合实力，为轻量化大模型研发提供了全新可行的技术方案，也给开发者提供了低成本高性能的开源基座模型。

【相关 FAQ】

问题 1：Loop-9B-Preview 为什么能做到 9B 参数媲美 27B 模型？

回答 1：Loop-9B-Preview 能做到 9B 参数媲美 27B 模型，核心采用 Looped Transformer 循环计算架构，中间层参数共享并多次迭代运算，拉长有效计算深度，再搭配 mHC 流形约束超连接稳住信号传递，不用扩充参数量，就能大幅提升模型推理能力。

问题 2：Loop-9B-Preview 的循环计算架构会不会带来推理速度下降？

回答 2：Loop-9B-Preview 的循环计算会增加单轮推理的计算步数，但因为整体只有 9B 参数，模型体积更小、显存开销更低，综合硬件开销远低于 27B 大模型，整体算力投入依然更划算，适合追求低成本部署的场景。

问题 3：Loop-9B-Preview 在哪些评测项目里超越了 27B 级别的大模型？

回答 3：Loop-9B-Preview 在 WorkBuddy Bench、RaccoonPPT Bench、AutomationBench 等办公与智能体评测项目中超越 Qwen3.5-27B，同时在代码生成、自动任务执行等复杂任务上，整体能力达到 27B 参数模型水准。

问题 4：Loop-9B-Preview 开源之后，开发者可以直接拿来商用吗？

回答 4：Loop-9B-Preview 采用 Apache 2.0 开源协议，开发者可以免费下载模型权重与源代码，直接用于商业项目开发，不受额外版权限制。

【数据来源】

[2026-11-01]（商汤开源 Loop-9B-Preview 小模型，性能媲美 27B 大模型）DoNews

[2026-11-01]（商汤开源 SenseNova Loop-9B-Preview，宣称媲美 27B 参数大小模型）IT 之家

[2026-11-01]（9B 的模型跑出 27B 的水平：商汤用 "循环" 绕开了堆参数）手机搜狐网

[2026-10-30]（商汤开源 SenseNova Loop-9B-Preview：探索以计算深度释放模型潜力）新浪财经

免责声明：本文中 Loop-9B-Preview 的架构设计、评测数据、开源协议等内容均来自官方公开信息与主流科技媒体报道；模型实际运行效果会受硬件环境、推理参数、任务类型影响；文中技术方案仅作技术研究与项目选型参考，不构成商业化落地承诺。