Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof.
Een weinig bekende startup uit Miami, genaamd Subquadratic, is onlangs uit de anonimiteit getreden met een ambitieuze bewering: ze hebben het eerste grote taalmodel gebouwd dat volledig ontsnapt aan de wiskundige beperking die elk belangrijk AI-systeem sinds 2017 heeft gedefinieerd en beperkt. Deze Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. en heeft hiermee een schokgolf veroorzaakt in de AI-gemeenschap. De startup beweert dat hun model, SubQ 1M-Preview, het eerste LLM is dat gebouwd is op een volledig subkwadratische architectuur, waarbij de rekenkracht lineair groeit met de contextlengte. Als deze claim standhoudt, zou het een keerpunt zijn in de schaalbaarheid van AI-systemen, met een ongekende efficiëntieverbetering.
De Revolutionaire Claim van Subquadratic: 1.000x Efficiëntiewinst in AI door doorbreken van Kwadratische Schaling
De recente aankondiging van Subquadratic heeft de AI-wereld op zijn kop gezet. Deze Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. De startup heeft hun eerste model, SubQ 1M-Preview, onthuld en stelt dat het het eerste grote taalmodel (LLM) is dat volledig gebaseerd is op een subkwadratische architectuur. Dit betekent dat de rekenkracht die nodig is om het model te draaien, lineair toeneemt met de lengte van de input (de "contextlengte"), in tegenstelling tot de kwadratische toename die kenmerkend is voor vrijwel alle andere geavanceerde AI-modellen. Op een contextlengte van 12 miljoen tokens beweert Subquadratic de rekenkracht voor het aandachtmechanisme met bijna 1.000 keer te verminderen vergeleken met andere grensverleggende modellen. Deze subkwadratische architectuur zou, indien onafhankelijk gevalideerd, de efficiëntiewinst van elke bestaande aanpak verbleken en de manier waarop AI-systemen schalen fundamenteel veranderen. Naast de technologische claims lanceert het bedrijf ook drie producten in besloten bèta: een API voor de volledige contextvenster, een command-line coderingsagent genaamd SubQ Code, en een zoekhulpmiddel genaamd SubQ Search. Het bedrijf heeft $29 miljoen aan startkapitaal opgehaald van investeerders, waaronder medeoprichter van Tinder Justin Mateen, voormalig SoftBank Vision Fund partner Javier Villamizar, en vroege investeerders in bedrijven als Anthropic, OpenAI, Stripe en Brex. Volgens The New Stack wordt de waarde van het bedrijf geschat op $500 miljoen, wat de enorme verwachtingen van deze jonge Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. onderstreept.
Het Kwadratische Schalingsprobleem: De Huidige Beperking van AI-Modellen
Elk transformer-gebaseerd AI-model – waaronder vrijwel elk grensverleggend systeem van OpenAI, Anthropic, Google en anderen – vertrouwt op een operatie genaamd "aandacht". Bij deze operatie wordt elke token vergeleken met elke andere token. Dit betekent dat naarmate de inputs groter worden, het aantal interacties – en de rekenkracht die nodig is om deze te verwerken – kwadratisch schaalt. In simpele bewoordingen: verdubbel de invoergrootte, en de kosten verdubbelen niet; ze verviervoudigen. Deze relatie heeft bepaald wat er wel en niet gebouwd wordt in de AI-industrie. De industriestandaard voor veel AI-modellen is 128.000 tokens en tot 1 miljoen tokens voor grensverleggende cloudmodellen zoals Claude Sonnet 4.7 en Gemini 3.1 Pro. Zelfs bij deze groottes worden de kosten voor het verwerken van lange inputs strafbaar hoog. De industrie heeft een uitgebreide stapel workarounds ontwikkeld om hiermee om te gaan. RAG-systemen (Retrieval-Augmented Generation) gebruiken bijvoorbeeld een zoekmachine om een klein aantal relevante resultaten op te halen voordat deze naar het model worden gestuurd, omdat het versturen van de volledige corpus simpelweg niet haalbaar is. Ontwikkelaars stapelen retrieval-pipelines, chunking-strategieën, prompt engineering-technieken en multi-agent orkestratiesystemen bovenop modellen – allemaal om de fundamentele beperking te omzeilen dat het model zelf niet alles tegelijk efficiënt kan verwerken. Volgens Subquadratic zijn deze workarounds duur, kwetsbaar en uiteindelijk beperkend. Zoals CTO Alexander Whedon tegen SiliconANGLE zei, "Ik moest handmatig prompts en retrieval-systemen en evaluaties en conditionele logica samenstellen om de workflows aan elkaar te koppelen. En ik denk dat dat een verspilling is van menselijke intelligentie en ook beperkend voor de productkwaliteit." De belofte dat Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. door dit probleem op te lossen, is dan ook enorm.
Subquadratic's Innovatieve Oplossing: Subquadratic Sparse Attention (SSA)
De aanpak van het bedrijf, genaamd Subquadratic Sparse Attention (SSA), is gebouwd op een eenvoudig uitgangspunt: de meeste token-naar-token vergelijkingen in standaard aandacht zijn verspilde rekenkracht. In plaats van elke token met elke andere token te vergelijken, leert SSA welke vergelijkingen daadwerkelijk van belang zijn en berekent het aandacht alleen over die posities. Cruciaal is dat de selectie content-afhankelijk is – het model besluit waar het moet kijken op basis van betekenis, niet op vaste positionele patronen. Dit stelt het in staat om specifieke informatie op te halen uit willekeurige posities over een zeer lange context zonder de kwadratische belasting te betalen. De praktische opbrengst schaalt met de contextlengte – precies het omgekeerde van het probleem dat het probeert op te lossen. Volgens de technische blog van het bedrijf bereikt SSA een 7.2x snellere voorvulling dan dichte aandacht bij 128.000 tokens, oplopend tot 52.2x bij 1 miljoen tokens. Zoals Whedon het stelde: "Als je de invoergrootte verdubbelt met kwadratische schaalwetten, heb je vier keer de rekenkracht nodig; met lineaire schaalwetten heb je slechts twee keer zoveel nodig." Het bedrijf zegt het model in drie fasen te hebben getraind – pretraining, begeleide fine-tuning en een reinforcement learning-fase specifiek gericht op retrieval-fouten bij lange context – waarbij het model agressief leert om verre context te gebruiken in plaats van terug te vallen op informatie dichtbij, een subtiele fout die de prestaties in bestaande systemen stilzwijgend degradeert. Deze AI-doorbraak door de Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. is een gamechanger.
Benchmarks en de Kritische Blik van de AI-Gemeenschap op de Claims van Subquadratic
Op het eerste gezicht zijn de benchmarkcijfers van SubQ concurrerend met of superieur aan modellen die zijn gebouwd door organisaties die miljarden dollars uitgeven. Op SWE-Bench Verified scoorde het 81,8% vergeleken met Opus 4.6's 80,8% en DeepSeek 4.0 Pro's 80,0%. Op RULER bij 128.000 tokens, een standaard benchmark voor redeneren over uitgebreide inputs, scoorde SubQ 95% – net iets beter dan Claude Opus 4.6 met 94,8%. Op MRCR v2, een veeleisende test van multi-hop retrieval over lange contexten, behaalde SubQ een door derden geverifieerde score van 65,9%, vergeleken met Claude Opus 4.7 (32,2%), GPT-5.5 (74%) en Gemini 3.1 Pro (26,3%). Deze indrukwekkende cijfers versterken de stelling dat Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof.
Maar verschillende details verdienen nader onderzoek. De benchmarkselectie is smal – precies drie tests, allemaal gericht op long-context retrieval en codering, de precieze taken waarvoor SubQ is ontworpen. Bredere evaluaties van algemeen redeneren, wiskunde, meertalige prestaties en veiligheid zijn niet gepubliceerd. Het bedrijf zegt dat een uitgebreide modelkaart "binnenkort beschikbaar" is. Volgens The New Stack werd elk benchmarkmodel slechts één keer uitgevoerd vanwege de hoge inferentiekosten, en de SWE-Bench-marge is, zoals het eigen document van het bedrijf erkent, "harness as much as model". Bij benchmarkmethodologie laten enkele runs zonder betrouwbaarheidsintervallen ruimte voor variatie. Er is ook een aanzienlijk verschil tussen de onderzoeksresultaten van SubQ en het productiemodel. Op MRCR v2 rapporteerde het bedrijf een onderzoeksresultaat van 83 – maar het door derden geverifieerde productiemodel scoorde 65,9. Dat verschil van 17 punten tussen het laboratoriumresultaat en het verzonden product is opmerkelijk en grotendeels onverklaard. Subquadratic heeft ook aan SiliconANGLE verteld dat op de RULER 128K benchmark, SubQ 95% nauwkeurigheid behaalde tegen een kostprijs van $8, vergeleken met 94% nauwkeurigheid en ongeveer $2.600 voor Claude Opus – een opmerkelijke kostprijsclaim. Maar het bedrijf heeft geen specifieke API-prijzen openbaar gemaakt, waardoor het onmogelijk is om de kosten-per-taak vergelijkingen onafhankelijk te verifiëren. Dit alles maakt dat de bewering dat Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. met de nodige scepsis wordt ontvangen.
Historische Parallellen en Eerdere Pogingen tot Subkwadratische Schaling
Misschien wel de meest scherpe kritiek op de lancering van SubQ komt niet van de specifieke claims, maar van de recente geschiedenis. Magic.dev kondigde in augustus 2024 een 100-miljoen-token context-venstermodel aan, met een geclaimde 1.000x efficiëntievoordeel, en haalde ongeveer $500 miljoen op op basis van die claims. Begin 2026 is er geen openbaar bewijs van het gebruik van LTM-2-mini buiten Magic. De parallellen zijn ongemakkelijk. Beide bedrijven claimden enorme contextvensters. Beide pronkten met ruwweg 1.000x efficiëntiewinsten. Beide richtten zich op software-engineering als primair gebruiksgeval. En beide lanceerden met beperkte externe toegang. Deze voorgeschiedenis werpt een schaduw van twijfel over de belofte dat Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. De bredere onderzoekslandschap versterkt de voorzichtigheid. Kimi Linear, DeepSeek Sparse Attention, Mamba en RWKV beloofden allemaal subkwadratische schaling, en ze werden allemaal geconfronteerd met hetzelfde probleem: architecturen die in theorie lineaire complexiteit bereiken, presteren vaak minder goed dan kwadratische aandacht op downstream benchmarks op frontier scale, of ze eindigen als hybriden – waarbij subkwadratische lagen worden gemengd met standaard aandacht, waardoor de pure schaalvoordelen verloren gaan. Een veel geciteerde LessWrong-analyse betoogde dat deze benaderingen "allemaal beter kunnen worden beschouwd als 'incrementale verbetering nummer 93595 van de transformer-architectuur'" omdat praktische implementaties kwadratisch blijven en "aandacht slechts met een constante factor verbeteren." Subquadratic is zich direct bewust van deze geschiedenis. Hun eigen technische blog pakt elke eerdere aanpak specifiek aan – vaste-patroon sparse attention, state space models, hybride architecturen en DeepSeek Sparse Attention – en betoogt dat SSA hun afwegingen vermijdt. Of het dat daadwerkelijk doet, blijft een empirische vraag die alleen onafhankelijke evaluatie kan beantwoorden. De vraag is of deze Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. wel de exceptionele realiteit zal worden die beloofd wordt.
Achter de Schermen: Het Team en de Financiële Steun Achter Subquadratic
Het team achter de claims is belangrijk bij de beoordeling ervan. CEO Justin Dangel is een vijfmalig oprichter en CEO met een staat van dienst in gezondheidstechnologie, insurancetech en consumentengoederen, en zijn bedrijven zijn geschaald tot honderden werknemers, hebben institutionele steun aangetrokken en liquiditeit bereikt. CTO Alexander Whedon werkte eerder als software-ingenieur bij Meta en was hoofd Generatieve AI bij TribeAI, waar hij meer dan 40 AI-implementaties voor bedrijven leidde. Het team omvat 11 PhD-onderzoekers met achtergronden van Meta, Google, Oxford, Cambridge, ByteDance en Adobe. Dat is een geloofwaardige verzameling talent voor een architectuurniveau onderzoeksinspanning. Echter, geen van de medeoprichters heeft fundamenteel AI-onderzoek gepubliceerd, en het bedrijf heeft nog geen peer-reviewed artikel uitgebracht. Het technische rapport wordt vermeld als "binnenkort beschikbaar". Het financieringsprofiel is ongebruikelijk voor een bedrijf dat grensverleggende AI-claims maakt. Subquadratic haalde $29 miljoen op tegen een gerapporteerde waardering van $500 miljoen – een hoge prijs voor een start-up in de seed-fase zonder publiek beschikbaar model, geen peer-reviewed onderzoek en geen openbaar gemaakte omzet. De investeerdersbasis, geleid door Tinder mede-oprichter Mateen en voormalig SoftBank partner Villamizar, neigt meer naar consumententechnologie en groei-investeringen dan naar diepgaand technisch AI-onderzoek. Het bedrijf stelt zijn weights niet openbaar, maar is van plan trainingstools aan te bieden aan bedrijven om hun eigen post-training te doen, en heeft een contextvenster van 50 miljoen tokens als doel gesteld voor Q4. De expertise en financiering kunnen bijdragen aan de realisatie van de belofte dat Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof.
De Ultieme Proef: Onafhankelijke Validatie is Cruciaal voor Subquadratic's Claims
Als we de marketingtaal en het sociale mediadrama weghalen, is de onderliggende vraag die Subquadratic stelt van cruciaal belang: kunnen AI-systemen ontsnappen aan kwadratische schaling zonder de kwaliteit op te offeren die ze bruikbaar maakt? De inzet is enorm. Als aandacht werkelijk lineair kan worden gemaakt zonder de retrieval en het redeneren te degraderen, verschuiven de economische aspecten van AI fundamenteel. Bedrijfstoepassingen die vandaag de dag uitgebreide retrieval-pipelines vereisen – het verwerken van hele codebases, contracten, regelgevende documenten, medische dossiers – worden single-pass operaties. De miljarden dollars die momenteel worden uitgegeven aan RAG-infrastructuur, contextbeheer en agentic-orkestratie worden gedeeltelijk overbodig.
Whedon's bereidheid om publiekelijk in discussie te gaan met technische kritiek – binnen enkele uren na tegenspraak een technische blogpost plaatsen – suggereert een team dat begrijpt dat het zijn werk moet laten zien, niet alleen moet beschrijven. En tot hun eer heeft het bedrijf openlijk erkend dat het voortbouwt op open-source funderingen en dat zijn model kleiner is dan die van de grote laboratoria. Elk grensverleggend model in 2026 adverteert met een contextvenster van minstens een miljoen tokens, maar bijna geen van hen is werkelijk goed in het benutten van al die informatie. Het gat tussen een nominale contextvenster en een functionele – tussen wat een model accepteert en waarover het betrouwbaar redeneert – blijft een van de belangrijkste onopgeloste problemen in AI. Subquadratic zegt die kloof te hebben gedicht. Als onafhankelijke evaluatie die claim bevestigt, zouden de implicaties veel verder reiken dan de waardering van een enkele startup. Als dat niet het geval is, voegt het bedrijf zich bij een groeiende lijst van long-context beloften die op de lanceringsdag revolutionair klonken en zes maanden later onopvallend waren. De vraag blijft of deze Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. een echte doorbraak vertegenwoordigt.
In de computerwereld valt elke fundamentele beperking uiteindelijk. Wanneer dat gebeurt, komt de doorbraak nooit uit de richting die de industrie verwachtte. De vraag die boven Subquadratic hangt, is of een team van 11 PhD's en een $29 miljoen seed-ronde daadwerkelijk het antwoord heeft gevonden dat organisaties die duizenden keren meer uitgeven hebben ontweken – of dat ze alleen een betere manier hebben gevonden om het probleem te beschrijven. Voor de AI-wereld is het nu afwachten of de claims van Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. standhouden.
Veelgestelde Vragen over de Claims van Subquadratic
1. Wat is de kernclaim van de Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof.?
De kernclaim is dat Subquadratic het eerste grote taalmodel heeft ontwikkeld met een volledig subkwadratische architectuur, waarbij de rekenkracht lineair groeit met de contextlengte, wat resulteert in een potentiële 1.000x efficiëntiewinst vergeleken met bestaande modellen die kwadratisch schalen.
2. Waarom is onafhankelijke validatie zo belangrijk voor de Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof.?
Onafhankelijke validatie is cruciaal omdat de claims van Subquadratic buitengewoon zijn en een fundamentele verschuiving in de AI-economie zouden betekenen. Eerdere vergelijkbare claims in de AI-industrie zijn onvervuld gebleven, waardoor onafhankelijke tests nodig zijn om de authenticiteit en de praktische toepasbaarheid van de beweerde efficiëntie en prestaties te bevestigen.
3. Wat zijn de mogelijke implicaties als de Miami startup Subquadratic claims 1,000x AI efficiency gain with SubQ model; researchers demand independent proof. waar blijken te zijn?
Als de claims waar blijken te zijn, zou dit de manier waarop AI-systemen schalen revolutioneren, waardoor complexe bedrijfstoepassingen (zoals het verwerken van hele codebases of medische dossiers) efficiënter en toegankelijker worden. Het zou miljarden dollars aan RAG-infrastructuur en contextbeheer gedeeltelijk overbodig maken, en leiden tot een nieuwe generatie long-context AI-applicaties.
Ontdek de Toekomst van Entertainment met Onze IPTV-Abonnementen!
Ben je gefascineerd door de grenzen die technologie verlegt, net zoals de beloften van Subquadratic in AI? Dan is het tijd om ook de grenzen van jouw entertainment te verleggen! Met onze IPTV-abonnementen ervaar je ongekende toegang tot duizenden zenders, films en series, allemaal in verbluffende kwaliteit en met een ongekende gebruiksvriendelijkheid. Geen ingewikkelde installaties of beperkingen meer; alleen puur kijkplezier, precies zoals jij dat wilt. Stap over op de toekomst van televisie en geniet van een wereld vol entertainment. Wacht niet langer en transformeer jouw kijkervaring vandaag nog.