迈阿密的人工智能初创公司Subquadratic在2026年5月正式结束隐身模式，抛出了一个让整个人工智能行业坐不住的说法。
它宣称，自己已经解决了困扰大型语言模型近十年的一个数学瓶颈，也就是Transformer架构里那个所谓的二次方注意力问题。
最初公开的细节并不多，所以很多人持怀疑态度。
但根据《麻省理工科技评论》6月19日的最新报道，这家公司开始拿出第三方的独立评估结果，部分数据看起来确实值得严肃对待。
这家公司是在2026年5月5日带着2900万美元种子轮融资走到台前的。
创始人兼CEO是连续创业者Justin Dangel，联合创始人兼CTO是前Meta工程师Alexander Whedon。
投资方包括Tinder联合创始人Justin Mateen，以及曾投资过Anthropic和OpenAI的几位早期投资人。
要理解Subquadratic的说法为什么有分量，得先讲清楚现在的大语言模型是怎么算账的。
今天几乎所有主流的大模型，无论是OpenAI的GPT，谷歌DeepMind的Gemini，还是Anthropic的Claude，底层都用着同一种叫Transformer的神经网络架构。
这种比较方式很彻底，但代价很重。
Subquadratic的核心思路，是用一种叫"次二次方选择性注意力"的稀疏注意力机制取代稠密注意力。
简单说，模型不再比对所有词对，而是根据内容动态挑选出真正相关的词对来计算。
这个思路并不新，业界已经有不少团队尝试过稀疏注意力，但此前没有人能在质量上追上稠密注意力。
Subquadratic公布的几个关键数字相当抢眼。
在1百万token的速度测试中，SubQ的注意力机制据称比谷歌DeepMind的FlashAttention快52倍。
但真正引发议论的是成本数字。
公司告诉SiliconANGLE，跑同样的RULER 128K测试，SubQ的成本是8美元，而Claude Opus 4.6需要约2600美元。
在编码任务上，SubQ在LiveCodeBench上据称拿到89.7%，在SWE-Bench Verified上拿到81.8%，跟Opus 4.6的80.8%基本持平。
公司还请了第三方评估机构Appen来复核基准成绩，Appen生成式人工智能研究总监Jeanine Sinanan-Singh形容这些结果"可能是游戏规则的改变者"。
不过，质疑声同样密集。
最核心的一个问题是：SubQ并不是从零开始训练的。
Whedon在X平台上确认，公司是在中国开源模型Qwen的权重基础上，替换了自己的稀疏注意力机制，再做的训练。
这种做法本身在业内很常见，但和"完全重新定义LLM架构"这种宣传口径放在一起，就显得有些尴尬。
曾在OpenAI工作的独立研究员Will Depue评论说，公司可能真的做出了实用的东西，但目前公开的证据还不足以支撑"已经解决二次方注意力瓶颈"这种更强的论断。
另一个被指出的疑点是研究模型和生产模型之间的差距。
这17分的落差至今没有得到完整解释，让人不得不怀疑：从实验室搬到实际产品中，到底牺牲了多少精度。
人工智能评论员Dan McAteer在社交平台上的话流传很广，他写道：SubQ要么是Transformer之后最大的突破，要么就是人工智能版的Theranos。
抛开数字的争议不谈，Subquadratic所瞄准的方向其实是整个人工智能行业最迫切的问题之一。
这也是Justin Dangel在采访中那句话的底气，他说Subquadratic希望开启一个效率新时代，他不认为几年后还会有人在Transformer之上继续搭建系统。
不过谨慎的观察者更愿意等等看。
正如一位开发者在社交平台上的犀利发问：如果SubQ真的把算力减少1000倍，成本只有Opus的不到5%，公司为什么还要靠"早期访问计划"控制流量？
接下来几个月里，社区基准测试一旦放开，独立研究者跑出来的数据将决定这家公司究竟是写下了Transformer之后的新一章，还是给2026年的AI炒作史又添上一笔注脚。
无论结果如何，Subquadratic已经把整个行业的目光，重新拉回了那个被大家暂时搁置的老问题：注意力机制，真的非要这么算账吗？
热门跟贴