Subquadratic

Subquadratic推出SubQ Snap决策模型，入局火热的决策模型赛道。TypeSafe的Jev引爆这一领域，OpenAI、Perplexity、Cloudflare、亚马逊、微软等厂商都陆续推出同类产品。

SubQ Snap公开预览版最高支持384K token图文输入，是Jev 32K上下文上限的12倍，处理100K token输入可在1秒内输出决策，AI智能体无需对大型代码库、交互历史频繁分块。

为什么更大的上下文窗口很重要

决策模型和传统LLM本质不同：不生成文本代码，只在预设候选结果中做选择，例如选定工具、筛选文件、判断测试结果。Workday已经使用Jev，为Sana AI助手根据员工需求挑选UI组件，这类高频判断交给专用模型，能够降低昂贵大模型的调用开销。

Subquadratic CEO Alex Whedon表示Snap的研发受到Jev启发，决策模型省去token解码环节。但他认为当下决策模型大多只承担LLM的辅助事务，真正的价值是从前沿LLM手中承接核心工作。

现有决策模型受限于上下文长度，处理大型代码库bug排查时，往往需要舍弃潜在关键信息，或者切换到大模型。Snap依靠自研SSA稀疏注意力架构，注意力开销随上下文长度线性增长，突破传统Transformer二次方算力瓶颈。

内部基准测试显示，Snap在RULER长上下文测试32K~100万token区间得分稳定在96.3 ~99.8；跨文档推理任务Decision LCR拿到74.0分，Jev为48.0。短任务场景，Decision Index 0.2.1 Snap得分61.7，高于Jev的57.9；Nimble基准准确率82.9%，Jev为76.0%。16项企业级基准中13项Snap占优，Jev则在When2Call（工具调用判断）3项任务表现更好。

需要留意：全部基准为厂商自测，仅长上下文评测代码开源供复现；384K是公开预览临时上限，模型原生支持100万token，但全开需要2.6倍算力。Snap暂未登上新版Decision Index 0.3.2榜单，新旧版本分数无法直接对比。

更少的管道，更多的上下文

超大上下文可以简化AI智能体开发。传统方案需要检索、摘要、分块压缩文本，裁剪过程很容易丢失关键信息。当资料在384K token以内，Snap可直接读取整套文档、代码模块，省去大量分块操作。企业超大规模知识库依然离不开检索，但检索策略可以更加粗放，直接拉取完整文档，不用精细截取片段，减少Agent链路的不稳定点。

定价策略：公开预览阶段，每100万输入token收费0.05美元，输出免费。100K token输入成本约0.005美元，满384K token请求约0.02美元。原因在于决策模型只输出候选概率，计算消耗集中在读取输入，输出成本几乎可以忽略。

Subquadratic项目背景

Subquadratic前身Aldea，今年5月结束隐身开发，拿到2900万美元种子轮，估值5亿美元。核心团队来自Meta、Tribe AI。此前发布的SubQ模型就主打千万级超长上下文，后续还在研究无注意力机制的全新架构。Snap建立在该团队稀疏注意力积累之上，进军竞争激烈的决策模型赛道。Snap目前的性能优势均来自内部测试，还需要第三方独立验证，才能确认长上下文带来的实际增益。