SubQ: O LLM subquadrático que promete contexto de token de 12 milhões a um custo 1.000 vezes menor

Subquadratic SubQ LLM

Em 5 de maio de 2026, uma startup com sede em Miami chamada Subquadratic emergiu furtivamente com uma afirmação ousada: seu modelo SubQ é o primeiro grande modelo de linguagem construído em uma arquitetura verdadeiramente subquadrática, capaz de processar 12 milhões de tokens em uma única janela de contexto por uma fração do custo computacional dos principais modelos atuais.

A recepção foi imediata – e fortemente dividida.

O que é subquadrático?

Subquadratic é uma empresa de infraestrutura de IA fundada em 2026 e sediada em Miami, Flórida. Liderada pelo CEO Justin Dangel e pelo CTO Alexander Whedon (ex-chefe da GenAI na Meta), a startup levantou US$ 29 milhões em financiamento inicial com uma avaliação relatada de US$ 500 milhões.

A lista de investidores parece quem é quem na realeza das startups: o cofundador do Tinder Justin Mateen, o ex-parceiro do SoftBank Vision Fund Javier Villamizar e os primeiros investidores em Anthropic, OpenAI, Stripe e Brex.

Funding announcement

A inovação central: atenção escassa subquadrática (SSA)

O recurso principal é SSA (Subquadratic Sparse Attention), um mecanismo de atenção esparsa que muda fundamentalmente a forma como o modelo é dimensionado com o comprimento do contexto.

O problema quadrático

A atenção do Transformer padrão é dimensionada como O(n²) — duplique o contexto, quadruplique a computação. Com 1 milhão de tokens, só a atenção exigiria trilhões de operações. É por isso que a maioria dos modelos limita o contexto em tokens de 128 mil ou 200 mil.

A solução subquadrática

O SSA substitui a matriz de atenção densa por um mecanismo de seleção esparsa dependente de conteúdo. Em vez de comparar cada token com todos os outros tokens, o modelo seleciona dinamicamente quais tokens atender, reduzindo a complexidade para uma escala quase linear O(n).

Isso é diferente das abordagens anteriores de atenção escassa (como aquelas usadas no Mamba, RWKV ou atenção escassa do DeepSeek) porque:

Seleção dependente do conteúdo — os tokens são selecionados com base na relevância, não em padrões fixos
Totalmente subquadrático — toda a arquitetura, não apenas a atenção, é otimizada para escalonamento linear
Disparidade treinável — o modelo aprende quais relacionamentos são importantes durante o pré-treinamento

O resultado: reivindicações subquadráticas redução de aproximadamente 1.000x no cálculo de atenção em 12 milhões de tokens em comparação com os modelos padrão do Transformer.

Desempenho de referência

Resultados subquadráticos publicados em três benchmarks:

Referência	Pontuação SubQ	Comparação
SWE-Bench verificado	81,8%	Opus 4.6: 80,8%
RULER 128K (recuperação de contexto longo)	95,0%	Opus 4.6: 94,8%
MRCR v2 (1 milhão de recuperação de token)	65,9%	GPT-5.5: 74,0%, Gêmeos 3.1 Pro: 26,3%

Com 1 milhão de tokens, o SubQ supera drasticamente o desempenho do Gemini 3.1 Pro (65,9% vs 26,3%) no MRCR v2, embora esteja atrás do GPT-5.5 (74,0%). O resultado do RULER é particularmente impressionante – 95% de precisão no contexto de 128K, correspondendo a Claude Opus 4.6 com uma alegada redução de custo de ~300x (US$ 8 vs ~US$ 2.600).

Benchmark comparison

Produtos: três maneiras de SubQ

A Subquadratic lançou três produtos em beta privado:

1. API SubQ

Endpoints de API compatíveis com OpenAI com uma janela de contexto de produção de 1 milhão de tokens. Os desenvolvedores podem trocar no SubQ com alterações mínimas de código.

2. Código SubQ

Um agente de codificação CLI que carrega bases de código inteiras no contexto. Em vez de fragmentação RAG, o SubQ Code pode ingerir todo o seu repositório e raciocinar sobre ele de forma holística.

3. Pesquisa SubQ

Uma ferramenta gratuita de pesquisa de longo contexto – pense no Perplexity com uma memória de um milhão de tokens. Os primeiros testadores relatam ser capazes de fazer upload de livros inteiros ou documentação técnica para análise.

O argumento do custo

Talvez a afirmação mais marcante seja a económica. Análise de custo por tarefa do Subquadrático:

Tarefa	SubQ	Cláudio Opus	Relação de custo
RÉGUA 128K	$8	~$2.600	~325x mais barato
Banco SWE	~$0,50	~$5	~10x mais barato
MRCR v2 1M	~$50	~$15.000 (estimado)	~300x mais barato

Se estes números se mantiverem, as implicações são enormes: tarefas de longo contexto que eram economicamente inviáveis (analisar bases de código inteiras, processar documentos jurídicos completos, rever trabalhos académicos completos) tornam-se rotina.

O ceticismo: por que os pesquisadores exigem provas

Nem todo mundo está convencido. A comunidade de pesquisa em IA levantou várias preocupações:

1. Nenhum artigo técnico

A Subquadratic não publicou um artigo revisado por pares ou um relatório técnico completo. O site diz “artigo em breve” – uma bandeira vermelha para muitos pesquisadores.### 2. Pesos Fechados O modelo não é de código aberto. A verificação independente é impossível sem acesso a pesos ou a uma especificação reproduzível.

3. Benchmarking restrito

Apenas três benchmarks foram publicados, todos favorecendo tarefas de codificação ou de contexto longo. Nenhum resultado em raciocínio geral (MMLU, GPQA), matemática (MATH, GSM8K) ou benchmarks multimodais.

4. Lacuna de pesquisa versus produção

A configuração de pesquisa pontua 83% no MRCR v2, mas a API de produção pontua 65,9% — uma diferença de 17 pontos que levanta questões sobre o que está sendo avaliado.

5. Resultados de execução única

Os resultados publicados não possuem intervalos de confiança. No benchmarking de ML, execuções únicas podem ser enganosas devido à variação.

Tentativas subquadráticas anteriores (Mamba, RWKV, Hyena, S4) mostraram-se promissoras em pequenas escalas, mas não conseguiram igualar a qualidade do Transformer em escala de produção total. A comunidade está esperando para ver se o SubQ quebra esse padrão.

“As afirmações da Subquadratic são o avanço mais importante na arquitetura de IA desde ‘Atenção é tudo que você precisa’ - ou uma miragem bem financiada. Não há meio-termo.” - Pesquisador de IA citado na cobertura do VentureBeat

O que é real (e o que não é)

Vamos separar os fatos confirmados das afirmações não verificadas:

Confirmado:

Financiamento inicial de US$ 29 milhões com avaliação de aproximadamente US$ 500 milhões ✅
A equipe inclui o ex-chefe da Meta GenAI Alexander Whedon ✅
A empresa saiu do sigilo em 5 de maio de 2026 ✅
API e produtos existem em beta privado ✅

Não verificado:

Contexto de token de 12 milhões em produção ❌ (somente configuração de pesquisa)
Redução computacional de 1.000x ❌ (sem auditoria independente)
Reprodutibilidade de referência ❌ (sem papel, sem gramaturas)
Confiabilidade de produção ❌ (beta privada, testadores limitados)

Roteiro: o que vem a seguir

Subquadrático tem um roteiro agressivo:

3º trimestre de 2026: acesso expandido à API, lançamentos de SDK
Quarto trimestre de 2026: 50 milhões de tokens meta da janela de contexto
2027: Ferramentas empresariais pós-treinamento

A empresa afirmou que não tem planos de abrir o código-fonte dos pesos do SubQ, posicionando-se, em vez disso, como um provedor comercial de API.

Por que isso é importante

Mesmo com ceticismo, o SubQ representa um momento significativo no desenvolvimento da IA:

A barreira quadrática é a última grande restrição nas arquiteturas Transformer. Quem quer que decifre a escala subquadrática desbloqueia casos de uso fundamentalmente novos.
Contexto longo muda tudo. Com mais de 1 milhão de tokens, os agentes podem trabalhar com bases de código inteiras, casos jurídicos, literatura acadêmica ou documentos comerciais de uma só vez – sem RAG, sem fragmentação, sem perda de contexto.
A economia chama a atenção. Mesmo que o SubQ entregue 10% do que é reivindicado, ainda seria mais barato do que as abordagens existentes para tarefas de longo contexto.
A pressão competitiva é saudável. Quer o SubQ seja real ou não, o burburinho leva cada laboratório a acelerar sua própria pesquisa subquadrática.

Conclusão

O lançamento do SubQ da Subquadratic é um dos anúncios de IA mais importantes - e mais controversos - de 2026. Se validado, o SSA poderia remodelar fundamentalmente a economia da IA, tornando os contextos de milhões de tokens acessíveis e onipresentes. Caso contrário, ela se juntará a uma longa lista de arquiteturas que não poderiam ser dimensionadas.

A verificação independente ocorrerá nos próximos meses. Até então, é melhor abordar o SubQ com curiosidade genuína e ceticismo saudável.

O que é certo: a corrida para a IA subquadrática está oficialmente em andamento.