Startup Subquadratic anuncia modelo LLM mais rápido, barato e sustentável
Imagine um carro que, ao dobrar a velocidade, consome metade da gasolina. É essa a analogia que a Subquadratic usa para explicar seu novo modelo de linguagem, o SubQ. A empresa, que saiu do modo stealth em maio, afirma ter resolvido um gargalo matemático que limita a eficiência dos grandes modelos de linguagem (LLMs) há quase dez anos.
O que muda na prática?
Segundo a própria startup, o SubQ processa até 12 vezes mais texto simultaneamente que os modelos convencionais, mantendo desempenho comparável ao de gigantes como Google DeepMind, OpenAI e Anthropic. Essa capacidade extra abre portas para tarefas que exigem análise massiva de documentos ou códigos extensos, tudo isso com custos operacionais e consumo energético drasticamente menores.
Por que o ceticismo?
Na primeira divulgação, a Subquadratic ofereceu poucos números além de auto‑testes, o que gerou dúvidas na comunidade. Comentários como “o maior avanço desde o Transformer… ou um Theranos da IA” surgiram nas redes. Reconhecendo a reação, a co‑fundadora e CTO Alex Whedon explicou que a falta de benchmarks externos foi um ponto fraco do anúncio inicial.
Validação independente
Para mudar o panorama, a empresa contratou a Appen, firma especializada em avaliação de modelos de IA. O relatório da Appen confirmou grande parte das alegações: ganhos de velocidade notáveis, redução de custos e consumo de energia compatíveis com o que a Subquadratic prometeu. Jeanine Sinanan‑Singh, diretora de pesquisa em IA generativa da Appen, descreveu os resultados como “potencialmente revolucionários”, mas ressaltou a importância de avaliações feitas por terceiros.
Como funciona o truque?
Os LLMs tradicionais baseiam‑se em “atenção densa”, onde cada token de texto interage com todos os outros, gerando um número quadrático de multiplicações. Em termos simples, dobrar o tamanho de um texto quadruplica o esforço computacional. O SubQ abandona essa abordagem, adotando uma arquitetura que reduz drasticamente o número de operações necessárias, sem sacrificar a qualidade das respostas.
Impactos esperados
Embora não substitua todos os modelos de ponta, o SubQ pode transformar áreas que dependem de processamento intensivo, como revisão jurídica, análise de código e mineração de dados em larga escala. A promessa de custos menores e pegada de carbono reduzida também ressoa em um cenário onde a sustentabilidade da IA está cada vez mais em pauta.
“Esperamos iniciar uma nova era de eficiência”, afirma Justin Dangel, co‑fundador e CEO da Subquadratic.
Se a comunidade de pesquisa validar esses resultados em larga escala, poderemos testemunar uma mudança de paradigma, onde os transformers tradicionais dão lugar a arquiteturas mais enxutas e econômicas.