Subquadratic (antes Aldea) ha lanzado SubQ 1M-Preview, el primer LLM comercial con atención subcuadrática nativa — el cómputo escala O(n) en lugar de O(n²). Con 95% en RULER 128K y 81.8 en SWE-Bench Verified, plantea la primera alternativa real a los Transformers. Acompañan tres productos: API full-context, agente CLI y search long-context. Beta privada, $29M de seed.
Qué es SubQ 1M-Preview
SubQ 1M-Preview es un modelo de lenguaje con una arquitectura de atención que escala linealmente con la longitud del contexto, no cuadráticamente como los Transformers tradicionales. La compañía, Subquadratic (fundada por ex-miembros de Aldea y con sede en Miami), ha demostrado investigación a 12M de tokens con una reducción de ~1,000× en compute de atención vs modelos frontera.
Junto al modelo lanzan tres productos:
- SubQ API — acceso al modelo completo con contexto completo
- SubQ Code — agente CLI que carga el codebase entero en una sola ventana de contexto
- SubQ Search — búsqueda long-context tipo Deep Research pero a velocidad de chatbot
Qué problema resuelve
El cuello de botella fundamental de los LLMs actuales: la atención cuadrática. En un Transformer estándar, duplicar el contexto de entrada cuadruplica el cómputo de atención. Esto es lo que obliga a usar RAG (recuperación fragmentada), chunking de documentos, y orquestación multi-agente para codebases grandes.
SubQ ataca esto desde la arquitectura: si el cómputo escala linealmente, un codebase de 500K tokens cuesta computacionalmente lo mismo que uno de 100K en un Transformer.
Cómo funciona
Subquadratic ha desarrollado SubQ Sparse Attention, un mecanismo de atención dispersa propietario que es 52× más rápido que FlashAttention y requiere 63% menos cómputo. En lugar de calcular atención entre todos los pares de tokens (O(n²)), la arquitectura selecciona dinámicamente qué conexiones son relevantes, reduciendo la operación a O(n). La compañía no ha publicado los detalles completos (está en proceso de peer review).
Benchmarks
| Benchmark | SubQ 1M | Opus 4.6/4.7 | DeepSeek V4 Pro |
|---|---|---|---|
| RULER 128K | 95.0% | 94.8% | — |
| SWE-Bench Verified | 81.8% | 80.8% | 80.0% |
| MRCR v2 | 65.9% | 32.2% | — |
El énfasis está en benchmarks de contexto largo (RULER) y de razonamiento sobre código (SWE-Bench). No han publicado resultados en benchmarks generales como MMLU o GPQA.
Para quién es
Sí: Desarrolladores con codebases grandes que quieren evitar RAG y chunking. Investigadores que procesan documentos largos (papers, contratos, due diligence). Early adopters dispuestos a probar tecnología seed-stage.
No: Usuarios que necesitan razonamiento general probado (falta MMLU, GPQA). Producción crítica — es beta privada, sin SLAs ni pricing. Quienes no quieran ser early adopters.
Limitaciones y riesgos
- Sin acceso público: solo beta privada, sin precios ni documentación abierta
- Benchmarks incompletos: no hay MMLU, GPQA, HumanEval, MATH — los benchmarks estándar
- Seed-stage: $29M es mucho para una seed, pero poco comparado con ~$10B de OpenAI o $2B de Anthropic
- Sin peer review completo: la arquitectura promete pero no está validada independientemente
- Sin datos de producción: no hay latency, throughput ni coste por token en entorno real
- Rebranding reciente: eran Aldea hasta Feb-Mar 2026
Opinión crítica
SubQ es el intento más serio hasta la fecha de comercializar una arquitectura post-Transformer. No es un parche ni una optimización — es un rediseño fundamental de cómo se computa la atención. Si funciona a escala, cambia las ecuaciones de coste de cualquier aplicación que procese documentos largos: adiós RAG, adiós chunking.
Dicho esto, la ausencia de benchmarks generales (MMLU, GPQA) es una bandera roja — ¿por qué no publicarlos si fueran buenos? La respuesta más probable es que el modelo rinde peor en tareas que no requieren contexto largo, que es justo donde arquitecturas subcuadráticas han fallado históricamente (sacrifican capacidad de razonamiento denso por escalabilidad de contexto).
Los $29M de seed, el equipo con 11 PhDs y los inversores de SoftBank/Tinder dan credibilidad, pero seed-stage es seed-stage. La pregunta real es si una startup con ese capital puede escalar la infraestructura hasta competir con modelos que tienen 100× más financiación.
Fuentes
- Anuncio oficial SubQ — benchmarks, productos y equipo
- LinkedIn Subquadratic — perfil corporativo
- X / Twitter @subquadratic — anuncios del equipo