Стартап заявил, что сломал главный барьер LLM за 9 лет

"AI Theranos" или революция в архитектуре?

Когда малоизвестный стартап из Майами выходит из стелс-режима с заявлением о том, что решил проблему, над которой бились все крупнейшие AI-лаборатории мира почти десятилетие - здоровый скептицизм не просто уместен, он обязателен. Именно так сообщество и отреагировало на анонс Subquadratic в мае 2026 года. Инженер по ИИ Дэн МакАтир сформулировал общее настроение точнее всех: "SubQ - это либо крупнейший прорыв со времен трансформера, либо AI Theranos".

Прошел месяц. Компания вернулась с независимыми результатами - и разговор стал куда серьезнее.

Почему квадратичное масштабирование - это реальная проблема

Чтобы понять масштаб претензий Subquadratic, нужно разобраться в том, как устроены современные языковые модели. Фундамент большинства LLM - архитектура трансформера, описанная Google еще в 2017 году в знаменитой статье "Attention Is All You Need". Ключевой механизм - плотное внимание (dense attention): каждый токен текста сравнивается с каждым другим токеном.

Математика здесь жестокая: удвоили длину входного текста - вычислительная стоимость выросла вчетверо. Текст в 10 000 слов генерирует почти 50 миллионов отдельных операций умножения. Именно поэтому LLM - прожорливые энергетические монстры, а обработка длинных контекстов стоит так дорого.

Промышленность выработала целый зоопарк костылей: RAG-системы, разбивка текста на чанки, многоагентная оркестрация, векторные базы данных - все это инфраструктурные заплатки поверх фундаментального ограничения. Как точно заметил сооснователь Subquadratic и CTO Александр Уэдон: вся эта ручная сборка промптов, цепочки вызовов и условная логика - "трата человеческого интеллекта и ограничение качества продукта".

Что именно заявляет Subquadratic

Компания утверждает, что разработала принципиально иную архитектуру - полностью субквадратичную, где вычислительная стоимость растет линейно с длиной контекста, а не квадратично. Их модель SubQ 1M-Preview якобы:

- Обрабатывает до 12 миллионов токенов за раз - против 128K у большинства моделей и 1M у лучших облачных решений вроде Claude Sonnet и Gemini Pro - При контексте в 12 миллионов токенов снижает вычислительные затраты на ~1000 раз по сравнению с трансформерными моделями аналогичного масштаба - По качеству на ключевых задачах (код, анализ документов) примерно соответствует лучшим моделям Google DeepMind, OpenAI и Anthropic - Потребляет значительно меньше энергии и стоит дешевле в эксплуатации

Помимо базовой модели, компания запустила в закрытое бета-тестирование три продукта: API с полным контекстным окном, агент для написания кода SubQ Code и поисковый инструмент SubQ Search.

Деньги уже пришли - теперь нужны доказательства

Subquadratic привлекла $29 миллионов в посевном раунде. Среди инвесторов - сооснователь Tinder Джастин Матин, бывший партнер SoftBank Vision Fund Хавьер Вильямисар и ранние вкладчики Anthropic, OpenAI, Stripe и Brex. Оценка компании, по данным The New Stack, составила $500 миллионов.

Полмиллиарда долларов оценки при отсутствии широко доступного продукта - цифра, которая сама по себе требует объяснений. Инвесторы явно видели что-то, чего не видело сообщество.

И вот теперь компания предъявляет это "что-то" публично. Независимое тестирование провела компания Appen, специализирующаяся на оценке AI-моделей. Директор по исследованиям генеративного ИИ Appen Жанин Синанан-Сингх не скрывает энтузиазма: "Это было действительно захватывающе - результаты подтвердили их архитектуру. Я подумала: "Вау, это может изменить все", потому что модели постоянно борются со скоростью и неэффективностью".

Сооснователь и CEO Джастин Дэнгель настроен еще радикальнее: "Мы надеемся запустить новую эпоху эффективности. Я не думаю, что через несколько лет кто-то будет строить на трансформерах".

Что это значит на практике

Даже если отбросить самые смелые заявления и принять более консервативную интерпретацию - потенциал огромный. Представьте задачи, которые сегодня просто нереализуемы или стоят заоблачных денег: одновременный анализ сотен юридических документов, полная кодовая база крупного проекта в одном контексте, медицинские исследования по всей базе научных статей без потери контекста.

Для разработчиков это означало бы конец бесконечных танцев с RAG и чанкингом. Для бизнеса - радикальное снижение стоимости операций с длинным контекстом. Для обычных пользователей - модели, которые действительно "помнят" весь разговор и весь загруженный документ.

При этом Subquadratic честно признает: SubQ не заменит топовые модели во всех задачах. Речь идет о колоссальном выигрыше в скорости и стоимости для конкретных сценариев с длинным контекстом - не о превосходстве по всем фронтам.

Скептицизм остается уместным

Я слежу за этим пространством достаточно долго, чтобы помнить несколько "революционных архитектур", которые тихо растворились после первоначального ажиотажа. Subquadratic пока не открыла широкий доступ к модели - это главное, чего не хватает для окончательного вердикта сообщества.

Сам CTO компании признал, что выпустить независимые бенчмарки одновременно с анонсом было бы правильным решением - и это запоздалое признание говорит об определенной незрелости коммуникационной стратегии. Большая наука требует открытых весов, воспроизводимых экспериментов и peer review - ничего из этого пока нет.

Тем не менее, одобрение Appen - это не внутренние тесты стартапа. Это первый серьезный сигнал, что за заявлениями стоит реальная инженерия.

Информация о компании и ее технологии подтверждена несколькими независимыми публикациями, что добавляет достоверности описанным фактам.