人工智能领域迎来一场潜在颠覆性变革——一家名为Subquadratic的初创公司宣布推出全球首款基于完全亚二次方稀疏注意力架构（SSA）的模型SubQ，其宣称在处理超长上下文时实现计算量千倍级缩减，成本仅为行业标杆模型的5%。这一突破性进展引发学界与产业界激烈争论，部分专家认为其可能动摇Transformer架构九年来的统治地位，另一些人则质疑其真实性。
传统Transformer架构自2017年提出以来，凭借密集注意力机制成为所有主流大模型的基础架构。但该机制存在致命缺陷：每个token必须与序列中所有其他token进行交互计算，导致计算复杂度呈平方级增长。当上下文长度突破百万token时，模型训练与推理成本将指数级飙升，这直接限制了现有大模型处理长文本的能力。
SubQ模型通过SSA架构彻底重构注意力计算范式。该架构摒弃传统暴力计算方式，转而采用动态内容路由机制：针对每个查询向量，模型仅选择语义相关的关键位置进行精确注意力计算，跳过99%以上的无效交互。这种设计使计算复杂度从序列长度的平方级降至线性级，上下文每翻倍仅带来成本线性增长。
实验数据显示显著优势：在百万token场景下，SubQ处理速度比采用FlashAttention-2的密集注意力模型快52.2倍，注意力计算量减少62.5倍；当上下文扩展至1200万token时，计算量缩减近千倍。成本对比更为惊人——在RULER 128K基准测试中，SubQ仅需8美元即可完成任务，而Claude Opus模型成本高达2600美元，相差300倍。
性能表现未因效率提升而妥协。在RULER 128K长文本理解测试中，SubQ取得95%准确率，略高于Opus 4.6的94.8%；代码工程基准SWE-Bench Verified中，SubQ以81.8分超越Opus的80.8分；长上下文检索任务MRCR v2中，SubQ获得65.9%得分，虽低于Opus的78%，但远超GPT-5.4（39%）和Gemini 3.1 Pro（23%）。
这家成立于2024年的初创公司展现惊人执行力。研究团队仅13人，却汇聚来自meta、谷歌、牛津、剑桥等机构的11位博士。公司前身Aldea专注语音模型研发，转型后迅速完成技术突破，现已推出三条产品线：支持1200万token全量上下文的SubQ API、可处理整个代码库的命令行编码工具SubQ Code，以及面向深度研究的免费工具SubQ Search。
行业反应呈现两极分化。AI知名投资人Bindu Reddy公开宣称："若数据属实，Anthropic和OpenAI的估值将归零。"但质疑声同样强烈。OpenAI前研究员Will Depue通过技术分析指出，SubQ可能基于现有稀疏注意力模型微调，而非全新架构。社区争论焦点集中在：发布会展示的基准测试是否经过独立验证？动态路由机制能否稳定处理多样化场景？线性扩展特性在真实部署中是否成立？
目前Subquadratic尚未公开完整技术报告，其官网展示的测试结果尚未获得第三方复现。随着学界要求开放模型权重的呼声日益高涨，这场关于AI架构未来走向的争论，或将随着技术细节的逐步披露迎来关键转折。
