1
DeepSeek-V3
DeepSeek-V3 utilizes a combination of Multi-head Latent Attention (MLA) and DeepSeek Sparse Attention (DSA) to optimize long-context processing and reduce KV-cache costs.
Ferramenta de IA
Revisão do SubQ
SubQ é um Large Language Model (LLM) construído sobre uma arquitetura de atenção esparsa sub-quadrática, projetado para extrema eficiência e desempenho em tarefas de contexto muito longo.
shipped 18 de jun. de 2026aifreemium
1Processa até 12 milhões de tokens em um único prompt, abordando as limitações dos LLMs tradicionais.
2Utiliza uma arquitetura Subquadratic Sparse Attention (SSA), alcançando complexidade computacional O(n).
3Demonstra 64.5x menos computação que a atenção densa e é 56x mais rápido que FlashAttention-2 em um contexto de 1M de tokens.
4SubQ 1.1 Small foi lançado em 16 de junho de 2026 pela startup Subquadratic, sediada em Miami, que garantiu US$ 29 milhões em financiamento inicial.
SubQ at a Glance
Ferramentas similares
Comparar alternativas
Outras ferramentas a considerar
Visitar→
2
Mamba (State Space Models)
Mamba is a novel state-space model architecture that achieves linear scaling with sequence length, offering constant memory inference and strong performance on very long sequences without relying on traditional attention mechanisms.
3
RWKV
RWKV is a recurrent neural network (RNN) architecture that combines the strengths of RNNs (linear scaling, constant memory) with the performance of Transformers, enabling efficient processing of extremely long sequences.
4
LongGen
LongGen improves both training and inference efficiency for long-context LLMs by integrating context length extension with a GPU-friendly KV cache reduction architecture, utilizing sparse attention patterns and a hybrid layer approach.
overview
O que é SubQ?
SubQ é uma ferramenta Large Language Model (LLM) desenvolvida pela Subquadratic que permite a desenvolvedores, equipes empresariais, engenheiros de dados, pesquisadores e agentes de codificação raciocinar em contextos de milhões de tokens. Ele utiliza uma arquitetura de atenção esparsa sub-quadrática para maior eficiência e desempenho em tarefas de contexto muito longo. O SubQ é especificamente projetado para superar as limitações de escalonamento quadrático dos modelos transformer padrão, onde os requisitos de computação aumentam exponencialmente com o comprimento do contexto. Sua arquitetura Subquadratic Sparse Attention (SSA) garante que a computação escale aproximadamente linearmente com o comprimento da entrada, focando nas relações de token mais relevantes. Isso permite que o SubQ processe até 12 milhões de tokens em um único prompt sem degradação significativa da qualidade, tornando-o adequado para tarefas complexas de agentes de IA de longo horizonte e análise de múltiplos documentos.
quick facts
Fatos Rápidos
| Atributo | Valor |
|---|---|
| Desenvolvedor | Subquadratic |
| Modelo de Negócios | Freemium |
| Preço | Freemium |
| Plataformas | API, Command-line (SubQ Code) |
| API Disponível | Sim |
| Integrações | Claude Code, Codex, Cursor (para agentes de codificação) |
| Fundado | 2026 |
| Sede | Miami, EUA |
| Financiamento | US$ 29 milhões em financiamento inicial |
features
Principais Recursos do SubQ
SubQ incorpora vários recursos técnicos projetados para otimizar o desempenho e a eficiência no processamento de contexto longo em Large Language Models.
- 1Arquitetura de atenção esparsa sub-quadrática (SSA) para processamento eficiente de contexto.
- 2Raciocínio com milhões de tokens, suportando janelas de contexto de até 12 milhões de tokens.
- 3Escalonamento de custo linear para contexto, reduzindo o custo computacional em comparação com modelos quadráticos.
- 4Recuperação de contexto longo quase perfeita, mantendo a precisão em entradas extensas.
- 5Alcança 64.5x menos computação do que mecanismos de atenção densa.
- 6Opera 56x mais rápido que FlashAttention-2 em um comprimento de contexto de 1M de tokens.
- 7Suporta capacidades de streaming e uso de ferramentas via sua API.
- 8Fornece endpoints de API compatíveis com OpenAI para integração de desenvolvedores.
- 9Inclui redirecionamento automático de turnos de modelo caros dentro de seu produto SubQ Code.
- 10Oferece um processo de instalação de uma linha para o produto SubQ Code.
use cases
Quem Deve Usar o SubQ?
SubQ é projetado para personas profissionais específicas e aplicações empresariais que exigem processamento de contexto extenso e alta eficiência.
- 1**Engenheiros de Software:** Para analisar bases de código inteiras, realizar raciocínio em nível de arquitetura, refatoração entre arquivos, rastreamento de dependências e identificação de vulnerabilidades de segurança.
- 2**Analistas Financeiros e Profissionais Jurídicos:** Para due diligence, raciocínio em relatórios financeiros, relatórios de lucros, contratos e documentos legais complexos.
- 3**Pesquisadores e Engenheiros de Dados:** Para análise de múltiplos documentos, ingestão de milhares de páginas de documentos regulatórios ou registros médicos para encontrar correlações e apoiar fluxos de trabalho de pesquisa aprofundada.
- 4**Desenvolvedores e Equipes Empresariais:** Para construir tarefas de agentes de longo horizonte, integrar raciocínio avançado de contexto longo em aplicações via API e gerenciar estados de agentes persistentes.
pricing
Preços e Planos do SubQ
SubQ opera em um modelo de negócios freemium. Embora estruturas de preços em camadas específicas e custos de uso detalhados não sejam divulgados publicamente, o modelo freemium geralmente implica um nível gratuito com acesso ou recursos limitados, juntamente com níveis pagos que oferecem capacidades expandidas, limites de uso mais altos ou suporte avançado. A Subquadratic destacou a eficiência de custos como um benefício chave, alegando custos operacionais significativamente mais baixos para tarefas de contexto longo em comparação com alternativas, como aproximadamente 1/20 do custo do Claude Opus para desempenho de codificação comparável.
- 1Freemium: Detalhes específicos dos níveis e preços não são divulgados publicamente.
competitors
SubQ vs Concorrentes
SubQ se posiciona contra Large Language Models de ponta, enfatizando sua arquitetura sub-quadrática e capacidades de janela de contexto significativamente maiores.
1
DeepSeek-V3↗
DeepSeek-V3 utilizes a combination of Multi-head Latent Attention (MLA) and DeepSeek Sparse Attention (DSA) to optimize long-context processing and reduce KV-cache costs.
DeepSeek-V3, like SubQ, focuses on efficient long-context handling through sparse attention mechanisms. While both aim for efficiency, there are discussions in the research community regarding whether DeepSeek's sparse attention implementation achieves a truly sub-quadratic complexity across all layers, a core claim of SubQ's architecture.
2
Mamba is a novel state-space model architecture that achieves linear scaling with sequence length, offering constant memory inference and strong performance on very long sequences without relying on traditional attention mechanisms.
Mamba provides a fundamentally different architectural approach to long-context efficiency compared to SubQ's sparse attention. Both aim for linear scaling and high performance on extended contexts, but Mamba achieves this through recurrent state updates rather than attention approximations.
3
RWKV↗
RWKV is a recurrent neural network (RNN) architecture that combines the strengths of RNNs (linear scaling, constant memory) with the performance of Transformers, enabling efficient processing of extremely long sequences.
Similar to SubQ, RWKV targets linear scaling for long-context tasks to improve efficiency and performance. However, RWKV achieves this through a recurrent design, contrasting with SubQ's sub-quadratic sparse attention, offering an alternative paradigm for efficient long-sequence modeling.
4
LongGen↗
LongGen improves both training and inference efficiency for long-context LLMs by integrating context length extension with a GPU-friendly KV cache reduction architecture, utilizing sparse attention patterns and a hybrid layer approach.
LongGen directly competes with SubQ in optimizing LLMs for long contexts and efficiency, employing sparse attention and architectural modifications to reduce computational overhead. While SubQ emphasizes a 'fully subquadratic' architecture, LongGen uses a hybrid approach with a mix of full and efficient attention layers.
❓
Perguntas frequentes
+O que é SubQ?
SubQ é uma ferramenta Large Language Model (LLM) desenvolvida pela Subquadratic que permite a desenvolvedores, equipes empresariais, engenheiros de dados, pesquisadores e agentes de codificação raciocinar em contextos de milhões de tokens. Ele utiliza uma arquitetura de atenção esparsa sub-quadrática para maior eficiência e desempenho em tarefas de contexto muito longo.
+O SubQ é gratuito?
SubQ opera em um modelo de negócios freemium. Embora estruturas de preços em camadas específicas não sejam detalhadas publicamente, este modelo geralmente inclui um nível gratuito com acesso ou recursos limitados, juntamente com opções pagas para capacidades expandidas ou maior uso.
+Quais são os principais recursos do SubQ?
Os principais recursos do SubQ incluem sua arquitetura de atenção esparsa sub-quadrática, suporte para até 12 milhões de tokens em um único prompt, escalonamento de custo linear para contexto, recuperação de contexto longo quase perfeita, 64.5x menos computação que a atenção densa e processamento 56x mais rápido que FlashAttention-2 em um contexto de 1M de tokens. Ele também oferece endpoints de API compatíveis com OpenAI.
+Quem deve usar o SubQ?
SubQ é destinado principalmente a engenheiros de software, analistas financeiros, profissionais jurídicos, pesquisadores, engenheiros de dados, desenvolvedores e equipes empresariais que exigem raciocínio avançado em documentos extremamente longos, bases de código ou dados históricos, e para a construção de agentes de IA de longo horizonte.
+Como o SubQ se compara a alternativas?
SubQ se diferencia de concorrentes como Anthropic Claude, Google Gemini, Qwen e DeepSeek-AI principalmente por sua janela de contexto reivindicada de 12 milhões de tokens e sua arquitetura de atenção esparsa totalmente sub-quadrática (SSA), que oferece eficiência e desempenho superiores para tarefas de contexto longo extremo, muitas vezes excedendo os tamanhos de janela de contexto e as alegações de eficiência de outros modelos de ponta.
Mais no Stork
Ferramentas IA relacionadas
Mais ferramentas nesta categoria, classificadas por sinal da comunidade
A
Agent-Reach
🤖 AI Tools
Uma ferramenta CLI de código aberto que dá a agentes de IA acesso à internet em tempo real a mais de 16 plataformas sem precisar de API keys.
K
Kimi CLI
🤖 AI Tools
Uma interface de linha de comando para desenvolvedores acessarem e integrarem o Kimi K2.7 Code AI model.
Voicebox
🤖 AI Tools
Um estúdio de voz de IA gratuito, de código aberto e local-first para desenvolvedores que oferece clonagem de voz, conversão de texto em fala, ditado em todo o sistema e integração de agentes de IA.
atlascloud-cli
🤖 AI Tools
AtlasCloud CLI para chamar APIs de LLM, imagem, vídeo e áudio a partir de terminais, scripts e CI jobs.
SocratiCode
🤖 AI Tools
Inteligência de codebase Enterprise-grade (mais de 40 milhões de linhas de código), zero-setup, Plugin/Skill/Extension ou MCP local e privada: hybrid semantic search, polyglot dependency graphs, symbol-level impact analysis e call-flow, interactive HTML viewer, cross-project e branch-aware search, conhecimento de DB/API/infra. 61% menos t
DeepSeek-Reasonix
🤖 AI Tools
DeepSeek-native agente de codificação de IA para o seu terminal. Projetado em torno da estabilidade do prefix-cache — deixe-o a correr.
For builders
This page is doing a job for someone else’s tool.
AI agents read it. Buyers find it. Backlinks accrue. Your tool can have one too — live in 24 hours, indexed by Claude, ChatGPT, and Perplexity, queryable via MCP.