商汤开源了SenseNova Loop-9B-Preview模型。该模型采用Looped Transformer架构，通过循环计算来扩展有效计算深度，仅以9B参数就实现了媲美27B模型的表现。这一进展把大模型研究的关注点，从单纯堆叠参数规模，拉回到计算结构本身的效率上来。

在大模型发展的过程中，参数规模长期被视为衡量模型能力的重要参照。更大的参数量往往意味着更强的拟合能力，但同时也意味着更高的训练成本、更大的显存占用和更重的部署负担。对于许多实际应用场景而言，这种代价并不总是划算。SenseNova Loop-9B-Preview的思路恰恰反其道而行之：它没有通过继续放大参数量来换取能力，而是尝试在结构上做文章，让有限的参数在计算过程中被更充分地利用。

所谓Looped Transformer架构，核心在于“循环”二字。传统的Transformer结构通常是一层接一层地向前推进，每一层只被使用一次；而循环结构则允许同一组计算单元被多次复用，模型在处理信息时可以经过多轮迭代和打磨。这样的设计带来的直接效果，是有效计算深度的扩展：参数量没有变，但模型实际经历的计算步骤变多了，信息有机会在反复加工中变得更加精细。打个比方，这就像同一支队伍多打了几轮配合，人数没有增加，但协作的深度和熟练程度都上去了。

值得注意的是，9B参数媲美27B模型这一表述，关键不在于两个数字本身的对比，而在于它所揭示的效率空间。参数规模相差数倍，却能达到相近的表现水平，说明在现有架构下，仍有相当一部分能力提升可以通过结构优化来实现，而不是只能依赖规模扩张。对于研究者来说，这提供了一个值得深入的方向：如何在不显著增加资源消耗的前提下，通过计算方式的改进释放模型的潜力。

从应用角度看，参数效率的提升具有很现实的意义。参数量更小的模型，对硬件的要求相对更低，部署和运行的门槛也随之下降。这意味着更多团队可以在有限的算力条件下尝试和使用模型，更多场景可以在成本可控的前提下引入大模型能力。尤其是在需要本地部署、离线运行或者对响应延迟有要求的场景中，轻量而高效的模型往往比单纯庞大的模型更受欢迎。

开源则是这则消息的另一层意义。模型以开源形式发布，意味着研究者和开发者可以直接获取、测试和研究这一架构，而不必从零复现。开源社区可以在此基础上做进一步的验证、改进和拓展，围绕循环计算结构形成更多的实践经验。这种开放的协作方式，往往能够加快一项技术从概念验证走向成熟应用的速度，也有助于发现原有设计中尚未暴露的问题和改进空间。

当然，作为一个Preview版本，SenseNova Loop-9B-Preview目前呈现的更多是一种技术路线的可能性。循环计算在不同任务上的表现是否稳定、在更长的上下文和更复杂的推理任务中是否同样有效、多次循环带来的额外计算开销如何权衡，都是后续实践中需要继续观察的问题。这些问题的答案，最终要由更广泛的使用和测试来给出。

从研究方法论的角度看，循环计算的思路也提醒人们，模型能力的来源是多维度的。除了数据规模和参数规模，计算结构、训练方式和推理策略都可能成为突破口。当多种思路同时被探索和验证时，整个领域前进的步伐往往会比依赖单一路径更快，而开源正是让多种思路得以并行验证的重要机制。

总体来看，这次开源的价值并不只在于一个模型本身，而在于它提供了一种思路：在参数规模之外，计算结构同样是提升模型能力的重要变量。当行业开始认真对待效率问题时，类似的架构探索很可能会越来越多，而开源则让这种探索能够被更多人参与和检验。

文末来源：新浪财经。