SenseNova Loop-9B Önizlemesi Yayınlandı: 9 Milyar Parametreyle 27B İddiası
Yazar: KOZBA
İçindekiler
Çinli yapay zeka şirketi SenseTime, açık ağırlıklı yeni bir model yayınladı: SenseNova-Loop-9B-Preview. Model, 30 Ekim 2026'da Hugging Face üzerinde Apache 2.0 lisansıyla erişime açıldı. Öne çıkan iddiası, 9 milyar parametre ölçeğinde 27 milyar parametreli modellere yakın sonuçlar üretmek.
Model yalnızca metin değil, görsel de kabul ediyor; uzun bağlam ve ajan (agentic) iş akışları için tasarlandığını belirtiyor. Hedef kullanım alanları arasında doküman anlama, kod yazma ve harici araçlarla etkileşim var.
Mimari: Aynı Katmanları İki Kez Çalıştırmak
SenseNova Loop'un temel fikri "döngülü kod çözücü" (looped decoder). Model 32 katmanlı çok kipli bir kod çözücü kullanıyor, ancak katmanların tamamı farklı ağırlıklara sahip değil:
- İlk olarak 0–3 arası katmanlar işleniyor
- Aynı 4–27 arası katman bloğu, paylaşılan ağırlıklarla arka arkaya iki kez uygulanıyor (B(B(h)))
- Sonra 28–31 arası katmanlar ve çıktı başlığı sonucu üretiyor
Bu yaklaşımın mantığı şu: modelin "düşünme derinliği" artıyor, ama tekrar eden bloğun parametreleri çoğaltılmıyor. Yani daha uzun bir hesaplama yolu, aynı parametre bütçesiyle elde ediliyor.
İkinci bileşen, iki akışlı "manifold kısıtlı hiper bağlantılar" (mHC). Döngü bölümünde iki ayrı artık akış (residual stream) arasındaki bilgi akışı, öğrenilmiş eşlemelerle yönetiliyor. Modele göre bu, bilgi kaybını azaltıyor ve sinyal yayılımını daha kararlı hale getiriyor. Mimaride ayrıca hibrit dikkat (hybrid attention) kullanılıyor.
Benchmark İddiaları
SenseTime'ın paylaştığı sonuçlara göre model, kendi değerlendirme setlerinde Qwen3.5-27B'yi geride bırakıyor:
- WorkBuddy Bench
- RaccoonPPT Bench
- AutomationBench
Şirket ayrıca mHC bileşeninin katkısını da ölçüyor: GPQA Diamond'da 4,42 puan, TeamBench'te 13,34 puan artış. Kod üretimi, ofis senaryoları ve ajan görevlerinde 9B ölçeğinde benzerlerinin önünde olduğu belirtiliyor.
Burada bir uyarı gerekiyor: tüm bu rakamlar üreticinin kendi değerlendirmeleri. Bağımsız kıyaslama (örneğin Artificial Analysis veya topluluk testleri) henüz yok. Teknik rapor da model kartında "TBD" (açıklanacak) olarak işaretli.
Çıkarım Hızlandırma ve Pratik Detaylar
Modelde çoklu token tahmini (MTP) ile çıkarım hızlandırma destekleniyor. Dspark ve Dflash2 yöntemleri ise hâlâ eğitim aşamasında; yani ileride ek hız kazanımları gelebilir.
Model kartındaki bilgilere göre ağırlıklar Hugging Face üzerinden indirilebiliyor, Transformers ile tek GPU'da metin üretimi örneği paylaşılıyor. Nicemlenmiş (quantized) sürümler de mevcut; bu da modelin llama.cpp, Ollama veya LM Studio gibi araçlarla yerelde çalıştırılabileceği anlamına geliyor. Tek düğümde 8 GPU ile ince ayar komutları da dokümanda yer alıyor.
Neden "Döngülü" Modeller Konuşuluyor?
Büyük dil modellerinde son dönemde iki hat öne çıkıyor: parametre sayısını büyütmek ve aynı parametrelerle daha fazla hesaplama yapmak. İkinci hat, "test zamanı hesaplama" (test-time compute) ve döngülü mimariler üzerinden ilerliyor.
Döngülü yaklaşımın cazibesi maliyet tarafında: aynı bellek ayak iziyle daha derin bir hesaplama grafiği kurulabiliyor. Bu, özellikle tek GPU'da çalıştırılacak modeller için önemli. Buna karşılık eğitim kararlılığı ve bilgi aktarımı hâlâ açık araştırma soruları; SenseTime da model kartında döngülü hesaplamanın bu konularda geliştirilmesi gerektiğini kabul ediyor.
Kimler Denemeli?
- Açık model meraklıları: Apache 2.0 lisansla ticari kullanıma da açık
- Yerel çalıştırma: 9B ölçeği, tek GPU'da nicemlenmiş biçimde çalıştırmaya uygun
- Ajan geliştiricileri: model kartı doğrudan araç kullanımı ve uzun bağlam senaryolarını hedefliyor
- Araştırmacılar: döngülü mimari + mHC kombinasyonunu incelemek için somut bir referans
Beklentiler
SenseNova Loop-9B-Preview, "küçük model, büyük model performansı" iddiasının son örneği. Ancak önizleme (preview) etiketi önemli: teknik rapor yok, bağımsız test yok, Transformers uygulamasının ayrıntıları da henüz yayımlanmadı.
Karar vermek için en sağlıklı yol, kendi görev setinizde Qwen3.5-27B gibi bir referansla yan yana ölçmek. Modelin Türkçe performansına dair paylaşılmış bir değerlendirme bulunmuyor; bu da yerel projelerde ayrıca test edilmesi gereken bir başlık.