SubQ 1M

SubQ 1M-Preview (von der Firma Subquadratic) ist ein bahnbrechendes Large Language Model (LLM), das im Mai 2026 für Aufsehen sorgt, da es die bisherigen Grenzen der Kontextverarbeitung und Effizienz neu definiert. [1, 2]

Hier sind die Besonderheiten im Überblick:

• 12 Millionen Token Kontextfenster: Das ist extrem groß (etwa 30- bis 60-mal mehr als der Standard von 200k–400k) und entspricht mehreren tausend Büchern oder gigantischen Codebases. [1, 2, 3, 4]
• Subquadratische Sparse Attention (SSA) Architektur: Im Gegensatz zu traditionellen Transformern, deren Rechenaufwand quadratisch (\(O(N^2)\)) mit der Länge des Textes steigt, skaliert SubQ linear oder annähernd linear. Das bedeutet: Verdoppelt sich der Kontext, verdoppelt sich der Rechenaufwand nur (nicht vervierfacht). [1, 2]
• Massive Effizienzsteigerung & Kostenersparnis: Laut Angaben ist SubQ bei 1 Million Tokens bis zu \(52\times\) schneller als FlashAttention und reduziert den Rechenaufwand um das Tausendfache gegenüber bisherigen Top-Modellen. Die Betriebskosten sollen nur bei etwa 1/5 bis 1/20 der Kosten von Modellen wie Claude Opus liegen. [1, 2, 3]
• "Needle in a Haystack"-Spitzenleistung: Das Modell ist auf das Finden spezifischer Informationen in extrem langen Texten spezialisiert (Long-Context-Retrieval) und erreicht in Benchmarks teilweise über 95% RULER-Score. [1]
• Fokus auf Coding-Agenten: Die Fähigkeit, riesige Repositories (statt nur einzelner Dateien) auf einmal zu "verstehen", revolutioniert die Arbeit von KI-Coding-Assistenten. [1, 2]
• Verfügbarkeit: Es handelt sich um ein Closed-Source-Modell, das aktuell (Stand Mai 2026) in einer privaten Beta-Phase über die SubQ-Website angefragt werden kann. [1, 2]

Subquadratic (Unternehmen)

Subquadratic ist ein KI-Startup mit Sitz in Miami, Florida. [1, 2]

Hier sind die wichtigsten Details zum Unternehmen:

• Herkunft: Es handelt sich um ein in Miami ansässiges Startup, das im Mai 2026 aus dem "Stealth-Modus" (geheime Entwicklung) hervorgetreten ist. [1]
• Fokus: Das Unternehmen entwickelt eine neue Klasse von Large Language Models (LLMs). [1]
• Technologie: Subquadratic konzentriert sich auf eine "subquadratic sparse attention" (SSA)-Architektur, die darauf ausgelegt ist, Rechenaufwand und Kosten im Vergleich zu herkömmlichen Transformern drastisch zu reduzieren, insbesondere bei sehr langen Kontextfenstern (bis zu 12 Millionen Token). [1, 2]
• Produkte: Das Unternehmen bietet mit SubQ Code und SubQ Search KI-Modelle an, die sich derzeit in der privaten Beta-Phase befinden. [1]

Kurz-Glossar: SubQ & SSA

• Subquadratisch (Sub-quadratic): Bezeichnet Algorithmen, deren Komplexität langsamer wächst als \(N^{2}\). Dies ist entscheidend, um sehr lange Texte effizient zu verarbeiten, ohne dass der Speicherbedarf explodiert.
• Sparse Attention (Spärliche Aufmerksamkeit): Eine Technik, bei der nicht jedes Wort (Token) mit jedem anderen Wort im Text verglichen wird, sondern nur mit den relevantesten. Dies spart Rechenleistung.
• SSA (Subquadratic Sparse Attention): Die von SubQ verwendete Kernarchitektur, die Spärlichkeit mit effizienter linearer Skalierung verbindet.
• 12M Token Kontextfenster: Die Fähigkeit, bis zu 12 Millionen Einheiten (Token) Text in einer einzigen Anfrage zu lesen, zu verstehen und zu verarbeiten.
• "Needle in a Haystack" (Nadel im Heuhaufen): Ein Benchmark-Test, der prüft, ob ein Modell ein winziges, spezifisches Faktum in einem extrem langen Dokument finden kann.
• Linear Scaling (Lineare Skalierung): Der Rechenaufwand wächst proportional zur Länge der Eingabe (\(O(N)\)), nicht überproportional wie beim alten quadratischen Standard.
• Frontier Model: Ein KI-Modell der neuesten Generation, das an der Leistungsspitze (State-of-the-Art) agiert.
• RAG (Retrieval-Augmented Generation): Ein Prozess, bei dem externe Daten gesucht und dem Modell übergeben werden. Mit extrem langen Kontextfenstern wird dieses "suchen und übergeben" oft überflüssig. [1, 2, 3, 4, 5]

Hinweis: Da sich SubQ 1M-Preview in der Frühphase befindet, werden die Leistungsdaten teilweise noch von externen Nutzern validiert. [1]