专题 · FULL STORY

SubQ Snap：从发布到登顶决策模型指数

10 月 13 日，Subquadratic 发布多模态长上下文决策模型 SubQ Snap，定位企业 agent 工作流中的快速决策环节。十天后其 1.1 版本登顶决策模型指数，凭借 384K 上下文与低幻觉表现获得关注。

2026-10-13 ~ 2026-10-23 · 2 集 · 26 条

第 1 集 · Subquadratic 发布 384K 长上下文决策模型 SubQ Snap(2026-10-13,24 条)

10 月 13 日，创业公司 Subquadratic 发布多模态长上下文「决策模型」SubQ Snap，定位为企业 agent 工作流中的快速决策环节（选工具、开文件、检查结果、决定 UI 形态），与 GPT 等前沿模型分工：简单决策交给 Snap，难题留给通用 LLM。官方核心卖点是随上下文规模增长，每 token 计算量保持恒定。本簇 24 条帖子全部为转发，关键参数相互印证，尚无独立验证信息。

已确认

  • 产品名 SubQ Snap，发布方 Subquadratic，面向企业级 agent 工作流；有转发帖提及其基于 SSA（子二次复杂度架构）
  • 384K token 多模态上下文，官方称比竞品 Jev 大 12 倍，约相当于 3 本小说长度的文本+图片，支持 256K token 级别的输入读取
  • 随上下文规模增长，每 token 计算量保持恒定（次二次特性）；有转发帖称 100K token 场景下决策耗时不到一秒，另有「2-3 秒输出决策」的说法
  • 定价每百万输入 token $0.05，输出免费；前 1 万用户免费获得 1 亿 token
  • Decision Index v0.2.1 得分 61.7，Jev 为 57.9，覆盖 16 项测试
  • 模型每轮读取完整对话（消息、PDF、图片、整个 GitHub 仓库），可直接决定 UI 呈现图表还是文本等界面形态
  • 官方演示实测打通 Chrome 恐龙游戏；Demo 案例包括 3.4 MB 训练崩溃日志找根因（官方称 0.55 秒定位、成本约万分之二美元，对比对象提及 Claude）；另有转发帖提到开发者 kevisyoung 引用官方推文称「1 美分排完 LA Tech Week」

尚未确认

  • 「每 token 算力恒定」及各项基准与演示数据均为官方宣称，独立验证信息未见

为什么重要

若「每 token 算力恒定」的宣称成立，SubQ Snap 将显著降低长上下文场景的推理成本，使企业 agent 处理整仓库代码、长文档等超长输入时的规模化部署更经济；「输出免费」与首批用户免费额度进一步压低调用门槛。其「决策模型」定位也区别于通用生成模型，瞄准 agent 工作流中的路由与界面决策环节，让开发者不必在大上下文与速度之间二选一。但本簇全部为转发帖，具体技术细节与基准数字应以官方原始发布为准。

还有 4 条相关讨论 →

第 2 集 · SubQ Snap 1.1 登顶决策模型指数，384K 上下文低幻觉(2026-10-23,2 条)

Subquadratic 发布企业级「决策模型」SubQ Snap 1.1，采用自研 Subquadratic Sparse Attention 架构，支持 384K 长上下文，每个 token 恒定算力，主打低成本、低幻觉率的 agentic 决策环节。该模型在 Artificial Analysis Decision Index v1.0 上以 65 分与 d1-ul… 并列领先，显示出在长上下文决策任务上的竞争力。