SenseTime выпустила SenseNova 6.8 Flash с долгосрочной памятью, анимацией и поддержкой 3D-дизайна в Blender

Компания SenseTime представила SenseNova Loop-9B-Preview, мультимодель, доступную в открытом доступе. Эта модель использует метод повторного вычисления для увеличения глубины обработки без необходимости дублировать соответствующие веса модели. Анонс этого выпуска состоялся 30 октября.

Модель способна принимать на вход как текстовые, так и графические данные, генерируя текст для выполнения задач, связанных с пониманием документов, написанием кода и использованием внешних инструментов.

Она функционирует путем двойного прогона общего блока из 24 декодерных слоев, что позволяет создать более глубокий вычислительный путь, исходя из базовой модели, имеющей около девяти миллиардов параметров.

Документальная настройка обучения поддерживает последовательности длиной до 262 144 токенов и объединяет примеры, включающие текст, изображения, код и использование инструментов. SenseTime опубликовала веса модели, инструкции для инференса и руководство по обучению, распространяя проект под лицензией Apache 2.0.

Компания SenseTime открыла для общественности модель SenseNova-Loop-9B-Preview 30 октября. Эта мультимодальная модель построена на дизайне с петлей (looped Transformer design) и, по утверждению компании, способна конкурировать с моделями объемом около 27 миллиардов параметров, используя всего 9 миллиардов параметров.

Веса модели доступны на платформе Hugging Face под лицензией Apache 2.0, а исходный код размещен на GitHub. Согласно карточке модели, она имеет 32 отдельных декодерных слоя. Первые четыре и последние четыре слои выполняются один раз, тогда как слои с 4 по 27, составляющие блок из 24 слоев, последовательно выполняются дважды с использованием общих весов. Это приводит к 56 выполнению декодерных слоев за один прямой проход, при этом хранятся только 32 набора весов слоев.

Декодер чередует линейные и полные механизмы внимания: в каждой группе из четырех слоев следуют три слоя с линейным вниманием, за которыми следует один слой с полным вниманием. Границы цикла совпадают с этими группами. Модель принимает на вход текст и изображения, а на выходе генерирует текст. Ее обучающие рецепты используют последовательности длиной до 262 144 токенов, включающих текст, изображения, код и траектории инструментов.

Внутри секции с петлей SenseTime интегрировала двухпотоковые гиперсвязи с ограничением многообразием (two-stream manifold-constrained hyper-connections, mHC). Эти связи переносят два остаточных потока и используют изученные отображения, ограниченные нормализацией Синххорна, для смешивания информации между ними. Компания сообщает, что тесты с исключением компонентов показали, что mHC повысили баллы на GPQA Diamond на 4,42 пункта и на TeamBench на 13,34 пункта.

SenseTime утверждает, что в условиях оценки ее модель превосходит другие модели в задачах кодирования, офисных и агентских задач, а также опережает Qwen3.5-27B на бенчмарках WorkBuddy Bench, RaccoonPPT Bench и AutomationBench. На графике бенчмарков в карточке также представлены результаты по BIRD-Dev, AIDABench, Terminal Bench 2.1 и T3-Banking. Эти данные являются собственными результатами компании, а технический отчет еще ожидается.

Модель поддерживает MTP для ускорения инференса, в то время как два других метода ускорения — Dspark и Dflash2 — все еще находятся в стадии обучения. SenseTime планирует в дальнейшем исследовать DSA и адаптивное количество итераций для повышения эффективности и производительности в задачах.

Компания ACE Robotics, основанная соучредителем SenseTime Сяогангом Вангом, представила свою модель воплощенного искусственного интеллекта ACE-Brain-0.6 19 октября. Эта модель была разработана путем контролируемой тонкой настройки Qwen3.5-9B и предназначена для распознавания объектов, определения их местоположения на изображениях и установления точек взаимодействия для робота.

Согласно заявлению компании, обучение модели проводилось с использованием около миллиона образцов пространственной привязки. В ходе проведенных оценок ACE-Brain-0.6 продемонстрировала превосходство над GPT-6 Astra в шести из восьми бенчмарков привязки.

Модель набрала в среднем 74.53 балла по семи общедоступным бенчмаркам, а на тесте RobotGrounding, который основан на сценариях реальных роботов, показала результат 94.13. Эти показатели выше, чем у Astra, которая получила 73.68 и 91.10 соответственно.