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.
AI Инструмент
Обзор SubQ
SubQ — это большая языковая модель (LLM), построенная на субквадратичной разреженной архитектуре внимания, разработанной для экстремальной эффективности и производительности в задачах с очень длинным контекстом.
shipped 18 июн. 2026 г.aifreemium
1Обрабатывает до 12 миллионов токенов в одном запросе, устраняя ограничения традиционных LLM.
2Использует архитектуру субквадратичного разреженного внимания (SSA), достигая вычислительной сложности O(n).
3Демонстрирует в 64,5 раза меньше вычислений, чем плотное внимание, и в 56 раз быстрее, чем FlashAttention-2 при контексте в 1 миллион токенов.
4SubQ 1.1 Small был выпущен 16 июня 2026 года стартапом Subquadratic из Майами, который привлек 29 миллионов долларов начального финансирования.
SubQ at a Glance
Похожие инструменты
Сравнить альтернативы
Другие инструменты, которые стоит рассмотреть
Посетить→
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
Что такое SubQ?
SubQ — это инструмент большой языковой модели (LLM), разработанный Subquadratic, который позволяет разработчикам, корпоративным командам, инженерам данных, исследователям и кодирующим агентам рассуждать в контекстах, содержащих миллионы токенов. Он использует субквадратичную разреженную архитектуру внимания для повышения эффективности и производительности в задачах с очень длинным контекстом. SubQ специально разработан для преодоления ограничений квадратичного масштабирования стандартных моделей-трансформеров, где вычислительные требования экспоненциально возрастают с длиной контекста. Его архитектура субквадратичного разреженного внимания (SSA) гарантирует, что вычисления масштабируются примерно линейно с длиной входных данных, фокусируясь на наиболее релевантных связях токенов. Это позволяет SubQ обрабатывать до 12 миллионов токенов в одном запросе без значительного ухудшения качества, что делает его подходящим для сложных, долгосрочных агентских задач ИИ и анализа нескольких документов.
quick facts
Краткие факты
| Атрибут | Значение |
|---|---|
| Разработчик | Subquadratic |
| Бизнес-модель | Freemium |
| Ценообразование | Freemium |
| Платформы | API, Командная строка (SubQ Code) |
| API доступен | Да |
| Интеграции | Claude Code, Codex, Cursor (для кодирующих агентов) |
| Основан | 2026 |
| Штаб-квартира | Майами, США |
| Финансирование | Начальное финансирование в размере 29 миллионов долларов |
features
Ключевые особенности SubQ
SubQ включает в себя несколько технических особенностей, разработанных для оптимизации производительности и эффективности обработки длинного контекста в больших языковых моделях.
- 1Субквадратичная разреженная архитектура внимания (SSA) для эффективной обработки контекста.
- 2Рассуждения с миллионами токенов, поддерживающие контекстные окна до 12 миллионов токенов.
- 3Линейное масштабирование затрат для контекста, снижающее вычислительные расходы по сравнению с квадратичными моделями.
- 4Почти идеальное извлечение длинного контекста, сохраняющее точность при обширных входных данных.
- 5Достигает в 64,5 раза меньших вычислений, чем механизмы плотного внимания.
- 6Работает в 56 раз быстрее, чем FlashAttention-2 при длине контекста в 1 миллион токенов.
- 7Поддерживает возможности потоковой передачи и использования инструментов через свой API.
- 8Предоставляет API-конечные точки, совместимые с OpenAI, для интеграции разработчиками.
- 9Включает автоматическое перенаправление дорогостоящих модельных циклов в рамках своего продукта SubQ Code.
- 10Предлагает процесс установки продукта SubQ Code в одну строку.
use cases
Кому следует использовать SubQ?
SubQ разработан для конкретных профессиональных ролей и корпоративных приложений, требующих обширной обработки контекста и высокой эффективности.
- 1**Инженеры-программисты:** Для анализа целых кодовых баз, выполнения рассуждений на уровне архитектуры, рефакторинга между файлами, отслеживания зависимостей и выявления уязвимостей безопасности.
- 2**Финансовые аналитики и юристы:** Для комплексной проверки, рассуждений по финансовой отчетности, отчетам о прибылях, контрактам и сложным юридическим документам.
- 3**Исследователи и инженеры данных:** Для анализа нескольких документов, обработки тысяч страниц нормативных документов или медицинских записей для поиска корреляций и поддержки глубоких исследовательских рабочих процессов.
- 4**Разработчики и корпоративные команды:** Для создания долгосрочных агентских задач, интеграции расширенных рассуждений с длинным контекстом в приложения через API и управления постоянными состояниями агентов.
pricing
Цены и планы SubQ
SubQ работает по бизнес-модели freemium. Хотя конкретные многоуровневые структуры ценообразования и подробные затраты на использование не раскрываются публично, модель freemium обычно подразумевает бесплатный уровень с ограниченным доступом или функциями, а также платные уровни, предлагающие расширенные возможности, более высокие лимиты использования или расширенную поддержку. Subquadratic подчеркнула экономическую эффективность как ключевое преимущество, заявляя о значительно более низких эксплуатационных расходах для задач с длинным контекстом по сравнению с альтернативами, например, примерно в 20 раз меньшей стоимости, чем Claude Opus, для сопоставимой производительности кодирования.
- 1Freemium: Подробности конкретных уровней и цены публично не раскрываются.
competitors
SubQ против конкурентов
SubQ позиционирует себя против передовых больших языковых моделей, подчеркивая свою субквадратичную архитектуру и значительно большие возможности контекстного окна.
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.
❓
Часто задаваемые вопросы
+Что такое SubQ?
SubQ — это инструмент большой языковой модели (LLM), разработанный Subquadratic, который позволяет разработчикам, корпоративным командам, инженерам данных, исследователям и кодирующим агентам рассуждать в контекстах, содержащих миллионы токенов. Он использует субквадратичную разреженную архитектуру внимания для повышения эффективности и производительности в задачах с очень длинным контекстом.
+SubQ бесплатен?
SubQ работает по бизнес-модели freemium. Хотя конкретные многоуровневые структуры ценообразования публично не детализированы, эта модель обычно включает бесплатный уровень с ограниченным доступом или функциями, а также платные опции для расширенных возможностей или более высокого использования.
+Каковы основные особенности SubQ?
Ключевые особенности SubQ включают его субквадратичную разреженную архитектуру внимания, поддержку до 12 миллионов токенов в одном запросе, линейное масштабирование затрат для контекста, почти идеальное извлечение длинного контекста, в 64,5 раза меньше вычислений, чем плотное внимание, и в 56 раз более быструю обработку, чем FlashAttention-2 при контексте в 1 миллион токенов. Он также предлагает API-конечные точки, совместимые с OpenAI.
+Кому следует использовать SubQ?
SubQ в первую очередь предназначен для инженеров-программистов, финансовых аналитиков, юристов, исследователей, инженеров данных, разработчиков и корпоративных команд, которым требуется расширенное рассуждение по чрезвычайно длинным документам, кодовым базам или историческим данным, а также для создания долгосрочных ИИ-агентов.
+Как SubQ сравнивается с альтернативами?
SubQ отличается от конкурентов, таких как Anthropic Claude, Google Gemini, Qwen и DeepSeek-AI, в первую очередь благодаря заявленному контекстному окну в 12 миллионов токенов и полностью субквадратичной разреженной архитектуре внимания (SSA), которая обеспечивает превосходную эффективность и производительность для задач с экстремально длинным контекстом, часто превосходя размеры контекстного окна и заявления об эффективности других передовых моделей.
Ещё на Stork
Похожие ИИ-инструменты
Другие инструменты в этой категории, ранжированные по сигналам сообщества
A
Agent-Reach
🤖 AI Tools
CLI-инструмент с открытым исходным кодом, который предоставляет AI-агентам доступ в интернет в реальном времени к более чем 16 платформам без необходимости в API-ключах.
K
Kimi CLI
🤖 AI Tools
Интерфейс командной строки для разработчиков для доступа и интеграции модели Kimi K2.7 Code AI.
Voicebox
🤖 AI Tools
Бесплатная, open-source, local-first AI voice studio для разработчиков, которая предлагает voice cloning, text-to-speech, системную диктовку и интеграцию AI
atlascloud-cli
🤖 AI Tools
AtlasCloud CLI для вызова API LLM, изображений, видео и аудио из терминалов, скриптов и заданий CI.
SocratiCode
🤖 AI Tools
Интеллектуальный анализ кодовой базы корпоративного уровня (40м+ LOC), нулевая настройка, локальный и приватный Plugin/Skill/Extension или MCP: гибридный
DeepSeek-Reasonix
🤖 AI Tools
DeepSeek-native AI-агент для кодинга для вашего терминала. Разработан с учетом стабильности prefix-cache — оставьте его работать.
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.