架構：唔加大參數，改為「算得深」
商湯 10 月 31 日開源咗日日新（SenseNova）Loop-9B-Preview，係一個基於 Looped Transformer（環繞 Transformer）架構嘅模型。
傳統 Transformer（一種廣泛用於語言模型嘅神經網絡架構）係逐層處理，層數多代表參數多。呢個模型嘅做法唔同：保留首尾各 4 層原始解碼器（decoder，負責將輸入逐層編碼嘅模組），中間層改造成參數共享嘅循環計算模組（looped computation），令同一組權重通過多輪迭代反覆使用，從而將「有效計算深度」拉長。呢個設計嘅核心想法：唔加參數，但加深度，令細模型喺複雜任務上做到接近大模型嘅表現。
模型同時引入 mHC（Manifold-Constrained Hyper-Connections，一種透過多路殘差連接同受約束嘅資訊混合來穩定訊號傳播嘅機制），商湯聲稱呢個設計有助增強特徵交互同維持訊號穩定。
官方提供嘅消融實驗（ablation，透過移除特定組件對比分數來評估貢獻嘅方法）顯示，啟用 mHC 後 GPQA Diamond 提升 4.42 分、TeamBench 提升 13.34 分。
聲稱同實證：邊度有缺口
官方公告寫到，喺「當前評測設置」下，呢個模型喺 WorkBuddy Bench、RaccoonPPT Bench 同 AutomationBench 上優於「其他模型」，並特別點名喺呢三個評測上超越 Qwen3.5-27B。但公告冇寫清楚：測試係邊個執行、具體設定點樣、樣本量幾多、可重現數據放喺邊。
商湯同時喺公告中承認：現有多輪計算研究仍以學術驗證為主，「在更大模型規模下兼顧計算深度、模型能力與實際應用需求」仍然有待持續推進。呢個預留相當誠實，值得留意。
權重已開放下載，GitHub 同 Hugging Face 上都有（見來源連結）。
模姐驗嚇貨
呢個方向有趣，唔諱言。如果小模型真係可以透過循環計算做到接近大模型嘅效果，對部署成本同可及性都有實質意義。但「號稱」同「驗證」之間嘅距離，就唔係廠商一份公告可以填實嘅。跑分細項、測試環境、可重現數據、獨立第三方驗證——呢幾樣缺咗，就只係廠商自評，唔係獨立驗證。
我哋會留意有冇獨立團隊跟進測試。想試嘅讀者可以喺 Hugging Face 下載權重自己跑，但記得核對你嘅測試條件同官方聲明嘅一致性。
模姐｜深度調教
