参数量砍去三分之二，商汤的9B模型凭什么敢称媲美27B？

商汤科技宣布开源 SenseNova Loop－9B－Preview 模型。参数量仅有 90 亿，官方却直接对标 270 亿参数量的传统 Transformer 架构模型，宣称性能不分伯仲。在 AI 算力军备竞赛把主流模型推往千亿级别的时代，这条“以小搏大”的技术路线能走多远？

9B 的账怎么算的？

SenseNova Loop－9B－Preview 的核心设计是一个被称为“Looped Transformer”的变体架构。

传统 Transformer 的工作原理是一次性从前向后逐层传递信息，每个 token 只能依赖前面已处理过的上下文，计算复杂度随序列长度呈平方级增长。这也是为什么参数量越大、上下文窗口越短，或者干脆用注意力机制做近似来“偷工减料”——因为硬件跟不上。

商汤的做法是用循环迭代替换单向传递。简单说，模型在同一个数据上多次“过脑”，每次迭代利用上一轮的输出作为输入再次计算。这不增加参数量，但加深了有效计算深度，让模型有机会对复杂信息进行反复打磨。类似概念并非商汤首创——早在 2017 年，微软亚洲研究院的研究团队就提出过循环计算的可行性，后续也有多个学术团队针对特定任务做过小规模验证。商汤此次将其工程化并引入 90 亿级别的通用语言模型，属于从实验走向产品的关键一步。

不过这套方案的代价也很明显：推理速度会变慢，因为单次请求需要经过多轮迭代才能产出结果。这意味着它的优势体现在训练阶段的参数效率上，而非在线服务的响应速度。

商汤没有公布完整的第三方基准测试结果。“媲美 27B”的说法源自官方自身，缺乏公开可查的数据集名称、评测指标或独立实验室验证。这在模型发布中并不罕见——很多厂商都会在宣传材料中做跨代际对标——但对于技术选型者来说，缺少具体 benchmark 数据的承诺依然只是一张空头支票。

小参数时代的红利与困局

当前 AI 产业的算力成本正在吞噬大量利润。GPU 采购费用、电费开销、运维团队的人力投入——每一项都在快速膨胀。截至 2026 年，训练一个千亿美元级的大模型，仅算力投资就已超过数十亿元人民币。这种趋势导致了一个结构性分化：头部企业还在烧钱堆参数，中小企业则被迫寻找替代方案。

90 亿参数模型的定位很清晰——它不是为了取代千亿级旗舰产品，而是要吃掉那些原本够不着高端算力、却在业务场景中急需 AI 能力的长尾市场。

对于一家工业传感器公司来说，它们不需要像大厂那样训练能够理解莎士比亚全集的语言模型，只需要一个能在本地边缘服务器上跑起来的质检分类器。对于智能硬件厂商而言，手机端端的对话助理也不需要千亿参数的吞吐能力，更在意的是耗电量和延迟。这些场景恰好是小参数模型的天然舞台。

国内芯片环境也对轻量化模型有利。英伟达高端 GPU 的供应受限，促使企业更多考虑在消费级显卡甚至 ARM 架构处理器上运行模型。9B 参数模型在 8GB 到 16GB 显存范围内即可完成基本推理，这对许多预算有限的企业而言是可触及的下限。相比之下，27B 以上的模型通常需要 24GB 以上显存，且往往需要多卡协同推理，成本成倍增长。

但这种红利能否转化为商汤的商业收益，取决于另一个关键问题：开源之后，谁在用？

开源这把刀，切的是谁的蛋糕？

商汤此次选择的开源路径是一种典型的生态扩张策略。

过去几年，OpenAI、Google 和 Meta 都曾在闭源与开源之间做出不同选择。OpenAI 坚持封闭 API 模式，通过按月订阅收费获取稳定收入；Meta 则在 2024 年大幅转向开源，其 Llama 系列成为全球最广泛使用的基座模型之一，间接带动了整个开源社区的繁荣。两者的商业模式截然不同，但都有一个共同点——通过控制用户群体建立竞争壁垒。

商汤的 SenseNova 平台目前已经积累了相当规模的开发者基数。虽然官方未在此次发布中披露具体的注册数量和 API 调用总量，但从其在计算机视觉领域多年的技术积累来看，SenseNova 在国内开发者市场中具备一定影响力。通过免费开放 9B 模型的权重，商汤希望吸引一批中小型企业和初创团队在其平台上进行二次开发和微调——当足够多的开发者习惯了这个框架，转换成本就会自然形成。

这种模式的潜在风险同样不容忽视。第一，如果第三方在实际使用中未能复现官方宣称的效果，品牌形象会受到直接影响。第二，一旦开源，竞争对手也可能直接用相同的权重重新包装自己的产品，绕开商汤的平台生态。第三，API 调用的商业化天花板依然存在——即使开发者用开源模型搭建了应用，最终的付费环节仍可能流向云服务平台而非模型提供方。

更重要的是，90 亿参数的模型能否真正成为企业级的生产力工具，还需要看它在垂直领域的表现。通用语言能力是一回事，在医疗诊断辅助、法律合同审查、金融风险评估等专业场景下的准确性和可靠性才是决定性的。而这些场景需要的不只是参数量，更是高质量的行业数据和持续的训练投入。

接下来看什么？

如果你想跟踪这个项目是否值得长期关注，以下几个指标可以直接拿来用：

第一，HuggingFace 或 GitHub 上的下载量和 fork 数。如果上线一周内获得超过 1000 次 star 或 500 次 fork，说明社区确实在认真对待。反之则可能只是营销噪音。

第二，开源许可证的类型。是 Apache 2．0、MIT 这样的宽松许可，还是带有商业化限制的定制协议？这直接决定了企业能不能放心拿去生产。

第三，是否有独立的第三方评测。包括 MMLU、GSM8K、HumanEval 等主流基准测试的成绩排名。哪怕不是商汤官方提供的数据，只要有人愿意花时间验证并公布结果，就能给你真实的参考价值。

第四，SenseNova 平台 API 调用的月度增长率。如果开源带来的引流效果显著，平台层面的用量应该能在下一个季度财报中体现出来。

第五，同行反应。百度文心、阿里通义、科大讯飞星火——这些对手有没有跟进类似的轻量级开源项目？如果大家都动了手，说明小参数赛道确实进入了战略视野。

这些信息都能帮你判断，9B 参数的故事是真实的生产力革命，还是一场精心包装的技术秀。