O que aconteceu: A startup Subquadratic, pouco conhecida e sediada em Miami, emergiu do modo furtivo anunciando uma alegação ambiciosa: ter desenvolvido o primeiro LLM a superar a limitação matemática que define e restringe a maioria dos sistemas de IA generativa desde 2017. Se as reivindicações da empresa forem validadas, isso representaria uma mudança fundamental na forma como os sistemas de IA escalam, abrindo caminho para o processamento de volumes massivos de dados com uma eficiência sem precedentes.
A Subquadratic apresentou seu modelo inicial, o SubQ 1M-Preview, alegando que ele é o primeiro LLM construído sobre uma arquitetura totalmente subquadrática. Isso significa que a demanda computacional para processar informações cresce linearmente com o comprimento do contexto, em vez de quadraticamente. Em termos práticos, a empresa afirma que sua arquitetura reduz o custo computacional do mecanismo de atenção em quase 1.000 vezes para contextos de 12 milhões de tokens, um número que, se verificado independentemente, superaria em muito os ganhos de eficiência de qualquer abordagem existente no mercado.
Para complementar o lançamento, a Subquadratic está disponibilizando três produtos em beta privado: uma API que expõe a janela de contexto completa, um agente de codificação via linha de comando chamado SubQ Code, e uma ferramenta de busca, o SubQ Search. A startup já levantou US$ 29 milhões (equivalente a R$ 174 milhões em conversão direta) em financiamento semente, com investidores notáveis como Justin Mateen (cofundador do Tinder), Javier Villamizar (ex-parceiro da SoftBank Vision Fund) e primeiros investidores em empresas como Anthropic, OpenAI, Stripe e Brex. O portal The New Stack reportou que esse aporte avalia a empresa em US$ 500 milhões (cerca de R$ 3 bilhões).
Leia também
A potencial superação do problema de escalabilidade quadrática pode redefinir a economia da indústria de IA. Atualmente, empresas gastam bilhões desenvolvendo soluções alternativas, como sistemas RAG (Retrieval Augmented Generation), para lidar com as limitações de contexto dos modelos. Se a Subquadratic conseguir oferecer uma alternativa mais eficiente, haverá um impacto direto na produtividade e nos custos operacionais de inúmeras empresas e profissionais que dependem da IA para processar grandes volumes de dados.
Resumo prático: A tecnologia da Subquadratic promete permitir que modelos de IA processem grandes volumes de informação de forma significativamente mais eficiente e barata, eliminando gargalos de custo e desempenho.
Como isso pode ser usado na prática
As implicações da tecnologia da Subquadratic são vastas e podem simplificar significativamente o uso da IA em diversos cenários práticos:
- Desenvolvimento de Software: O SubQ Code, como um agente de codificação, poderia analisar bases de código inteiras com muito mais facilidade e menor custo, fornecendo sugestões, identificando erros ou até mesmo gerando novas funcionalidades sem a necessidade de fragmentar o código em partes menores.
- Análise de Documentos Extensos: Empresas dos setores jurídico, financeiro ou médico poderiam usar LLMs para digerir contratos complexos, relatórios regulatórios, prontuários médicos ou manuais técnicos com milhões de tokens em uma única “passada”. Isso eliminaria a complexidade de sistemas RAG e fragmentação de dados.
- Sistemas de Pesquisa Aprimorados: A ferramenta SubQ Search poderia oferecer capacidades de pesquisa e recuperação de informações mais profundas e contextuais, entendendo a totalidade de um conjunto de dados sem as limitações de contexto atuais.
- Automação de Fluxos de Trabalho Complexos: Setores que dependem de múltiplas interações entre sistemas e dados podem integrar essa IA para automatizar tarefas que hoje exigem várias camadas de orquestração e engenharia de prompts.
Entenda a tecnologia
- O principal recurso técnico: A abordagem da Subquadratic, chamada Subquadratic Sparse Attention (SSA), é baseada na premissa de que a maioria das comparações entre tokens nos mecanismos de atenção padrão é um desperdício de processamento. Em vez de comparar cada token com todos os outros (custo quadrático), o SSA aprende a identificar quais comparações são realmente importantes e calcula a atenção apenas para essas posições relevantes. Essa seleção é dependente do conteúdo, permitindo que o modelo “saiba onde olhar” com base no significado, e não em padrões fixos.
- Ganhos significativos:
- Eficiência Computacional: A empresa afirma que, para 12 milhões de tokens, sua arquitetura reduz o poder computacional necessário para a atenção em quase 1.000 vezes, crescendo linearmente com o contexto. Isso significa que, ao dobrar o tamanho da entrada, o custo computacional dobra, em vez de quadruplicar.
- Velocidade: Segundo o blog técnico da empresa, o SSA alcança um aumento de velocidade de “prefill” (processamento inicial da entrada) de 7,2 vezes para 128 mil tokens, e 52,2 vezes para 1 milhão de tokens, em comparação com a atenção densa padrão.
- Potencial Redução de Custos: A Subquadratic alega que no benchmark RULER 128K, seu modelo alcançou 95% de precisão a um custo de US$ 8 (R$ 48), enquanto o Claude Opus atingiu 94% a um custo de cerca de US$ 2.600 (R$ 15.600).
- Limitações e Riscos a Serem Considerados: A comunidade de pesquisa em IA reagiu de forma mista, com curiosidade genuína, mas também com acusações de “vaporware” (tecnologia prometida mas não entregue) e comparações à “AI Theranos”.
- Metodologia de Benchmarks: Os três benchmarks publicados pela Subquadratic (SWE-Bench Verified, RULER, MRCR v2) são específicos para recuperação de contexto longo e codificação, áreas onde sua arquitetura deveria ter vantagem. Faltam avaliações mais amplas de raciocínio geral, matemática, desempenho multilíngue e segurança.
- Resultados e Verificação: Houve apenas uma execução por modelo nos benchmarks devido ao alto custo de inferência, o que pode introduzir variância. Além disso, existe uma diferença notável de 17 pontos percentuais entre o resultado de pesquisa (83%) e o modelo de produção verificado por terceiros (65,9%) no MRCR v2, sem explicação detalhada.
- Preços e Acesso: Embora as alegações de custo sejam impressionantes, a empresa ainda não divulgou publicamente os preços específicos da API, tornando impossível a verificação independente dos custos por tarefa. O acesso é restrito a um programa de beta privado.
- Base e Histórico: A empresa confirmou que utiliza pesos de modelos de código aberto como ponto de partida. Há ceticismo devido a casos anteriores, como o da Magic.dev, que fez alegações semelhantes de janelas de contexto massivas e eficiência em 2024, mas cujos resultados práticos não se materializaram publicamente.
- Pesquisa e Publicação: Apesar de ter uma equipe com 11 pesquisadores de PhD, nenhum dos cofundadores publicou pesquisa fundamental em IA, e a empresa ainda não lançou um artigo científico revisado por pares. Um relatório técnico completo é prometido “em breve”.
Oportunidades no mercado
Caso as afirmações da Subquadratic se sustentem após validação independente, as oportunidades de mercado seriam disruptivas e impulsionariam uma nova onda de eficiência:
- Otimização de Custos em IA: A redução drástica no custo computacional de processar contextos longos significaria que empresas poderiam usar LLMs para tarefas que hoje são proibitivamente caras, democratizando o acesso a capacidades avançadas de IA.
- Simplificação da Infraestrutura de IA: A necessidade de sistemas RAG elaborados, bancos de dados de vetores e complexas pipelines de recuperação seria parcialmente eliminada. Isso simplificaria a arquitetura de IA nas empresas, reduzindo custos de desenvolvimento e manutenção.
- Novos Produtos e Serviços de IA: A capacidade de processar e raciocinar sobre conjuntos de dados gigantes sem gargalos abriria portas para a criação de produtos e serviços inovadores em áreas como análise de mercado, descoberta de medicamentos, automação jurídica e atendimento ao cliente altamente contextualizado.
- Vantagem Competitiva: Empresas que adotarem essa tecnologia precocemente poderiam obter uma vantagem significativa ao processar informações e extrair insights de forma mais rápida e eficiente do que seus concorrentes.
Movimentos como esse indicam como a inteligência artificial está sendo incorporada de forma cada vez mais prática nos negócios.
Hashtags: #Miami #startup #Subquadratic #claims #1000x #efficiency #gain #SubQ #model #researchers #demand #independent #proof #GranaBit #InteligenciaArtificial #IA #Produtividade #Inovação
Quer entender a IA de verdade? Acompanhe o GranaBit e fique por dentro das aplicações que estão transformando o mercado.
Fonte: venturebeat.com (Adaptação: GranaBit)
