首个次二次方大模型SubQ登场，瞄准超长上下文处理
AI基础设施初创公司SubQ于近日宣布推出基于完全次二次方稀疏注意力架构（Sub-Quadratic Sparse Attention, SSA）的大模型SubQ，同时发布代码智能体SubQ Code。这是业界首个宣称原生支持1200万token超长上下文的前沿级大模型。
核心技术突破
传统Transformer架构在处理文本时需计算所有词元间的关联，导致算力消耗随上下文长度呈平方级增长，成为大模型扩展的主要瓶颈。SubQ表示，其稀疏注意力架构通过仅提取少数关键联系来解决这一问题。
根据官方披露的数据，在1200万token规模下，新架构将计算量削减近1000倍；在100万token长度时，处理速度是FlashAttention的52倍。
基准测试表现亮眼
SubQ同时公布了与当前主流高端模型的对比测试结果：
- MRCR V2评测（100万token）：SubQ准确率达83%，超越Claude Opus 4.6（76%）和GPT-5.4（约36%）
- SWE Bench Verified测试：SubQ取得82.1%，同样高于两家竞品
- 1200万token极限「大海捞针」测试：官方称SubQ维持92%的准确率
商业化策略
SubQ API兼容OpenAI格式，定价为每百万token 0.08美元。SubQ表示，这一极具竞争力的定价旨在快速抢占企业市场。
关于SubQ公司
SubQ由Alexander Whedon担任联席创始人兼CTO。目前SubQ已开放早期访问，具体商业细节和模型权重开放时间尚未公布。