Subquadratic 获 2900 万美元种子轮融资：推出颠覆性线性扩展架构，上下文处理能力提升近千倍
在Transformer架构统治大模型世界三年后，一种颠覆性的线性缩放方案终于从实验室走向了商业战场。Subquadratic带着2900万美元种子轮融资和号称能将注意力计算降低近1000倍的技术，向业界投下了一枚深水炸弹。其推出的SubQ 1M-Preview，成为首个完全亚二次方（subquadratic）的大型语言模型架构，并已支持高达1200万个token的上下文窗口——这几乎是GPT-5.5和Claude Opus当前能力的数十倍。
线性vs.二次方：一场算力暴政的终结？
传统Transformer的“二次方诅咒”早已是公开的秘密：当上下文从4K扩展到128K时，注意力计算成本会呈指数级飙升。Subquadratic的解法并非简单的工程优化，而是从数学上重新定义了注意力机制——将O(n²)复杂度压缩至O(n)。在RULER 128K基准测试中，SubQ 1M-Preview以95%的准确率追平了Claude Opus和GPT 5.5，但后者需要消耗近千倍的算力才能维持同等表现。这不仅是技术突破，更意味着推理成本的断崖式下降：处理百万级token的对话历史或代码仓库，可能从数小时缩短到几分钟。
但线性缩放并非没有代价。Subquadratic联合创始人Justin Dangel承认，在短上下文（<4K）场景下，其模型在复杂推理任务中偶尔会出现“精度抖动”，这是亚二次方架构在信息压缩时的固有缺陷。不过，团队认为这属于“甜蜜的烦恼”——毕竟，业界对长上下文的渴求远超对短文本的极致优化。
三位一体产品矩阵：从API到代码搜索的降维打击
Subquadratic没有选择单点突破，而是同步推出了三款进入私人测试阶段的产品：全上下文API（Full-Context API）、SubQ Code和SubQ Search。这暴露了其野心——它要成为下一代AI基础设施的“操作系统”。全上下文API允许开发者直接调用1200万token的模型，无需分片或摘要；SubQ Code则针对仓库级代码库，能一次性理解整个Git仓库的依赖关系；SubQ Search更像是对传统向量数据库的宣战——它用原生长上下文替代了检索增强生成（RAG）的复杂pipeline。
这种产品矩阵的巧妙之处在于：它同时解决了三个长期困扰业界的痛点——长文档分析的碎片化、代码理解的上下文割裂、以及搜索系统的多跳推理成本。如果SubQ Search能证明在百万级文档集合中，其线性注意力模型比RAG+向量数据库的组合更高效，那么整个搜索和推荐系统的基础架构都可能被重构。
2900万美元的赌注：创始人光环与隐忧
这轮2900万美元的种子轮融资由多家顶级风投联合注资，但具体估值未披露。创始人Justin Dangel是一位连续五次创业的老兵，此前曾将一家AI公司卖给微软；联合创始人Alex Whedon则是前Meta工程师，在TribeAI领导过生成式AI团队。研究团队更是星光熠熠：来自Meta、Google、牛津、剑桥、字节跳动、Adobe和微软的博士们构成了核心研发力量。
然而，豪华团队背后是隐形的技术风险：亚二次方架构虽然在长上下文上表现惊艳，但在短文本任务（如问答、摘要）中，其性能是否真能媲美同等规模的Transformer？此外，当前生态中几乎所有工具链（如Hugging Face、PyTorch）都围绕Transformer设计，Subquadratic需要重建一套完整的训练和推理栈——这不仅是技术挑战，更是生态壁垒。
竞争壁垒：不是技术，而是“时间差”
Subquadratic最深的护城河可能并非技术本身，而是“先发优势”与“场景锁定”。当OpenAI、Google和Anthropic还在优化传统Transformer时，Subquadratic已经用线性架构跑通了百万级token的商业场景。一旦开发者开始依赖其全上下文API进行代码分析或法律文档处理，迁移成本将变得极高——因为竞争对手即使推出类似产品，也需要重新训练用户习惯。
但危险在于：Transformer阵营的反击可能比预期更快。Google的Gemini 1.5 Pro已经支持100万token，虽然仍基于二次方注意力，但通过稀疏化技术大幅降低了计算成本。而Meta的LLM团队也在探索线性注意力变体。Subquadratic必须在这波技术平权到来之前，用客户粘性和场景深度筑起真正的壁垒。
辩证总结：Subquadratic的融资与技术发布，标志着大模型竞赛从“参数军备竞赛”转向了“架构效率竞赛”。线性注意力不是万能药，但它撕开了一个关键缺口——当上下文窗口突破百万级时，传统Transformer的算力成本将变得不可持续。然而，Subquadratic的长期命运不取决于技术是否更优，而取决于它能否在Transformer生态的围剿中，快速找到那个“非它不可”的黄金场景。毕竟，在AI领域，最好的技术往往不是赢家，最会“卡位”的才是。
