SubQ Snap

SubQ Snap 是 Subquadratic（SubQ）推出的面向智能体工作流的长上下文决策模型。它不生成文本，而是从一组预设的备选项中做出选择，当前处于公开预览阶段。

问题：智能体在运行中会不断做出小型决策，例如读取哪个文件、下一步调用哪个工具、或者某项测试是否通过。每一次都使用完整的文本生成模型既耗时又昂贵，因为模型产出的文本是应用程序根本用不到的。

解决方案：Snap 接收一个问题和一份固定的备选答案列表，并为每个答案给出一个概率。它完全不生成文本。SubQ 表示，这样就去除了生成应用不需要的文本所带来的延迟和成本。

它的差异化亮点在于长上下文。据该公司介绍，Snap 可以在单次调用中读取最多 384K tokens 的文本和图像，无需截断或分块，并能在不到一秒的时间内处理最多 100K tokens 的请求。这使其能够一次性在长代码库、文档或历史记录上做出决策。SubQ 表示，其 SSA（Subquadratic Sparse Attention，SubQ 稀疏注意力）将注意力计算复杂度从二次降低到了线性。

核心特性：

• 单次调用支持最多 384K tokens 的文本和图像

• 不到一秒即可完成最多 100K tokens 的请求

• 多模态：支持文本搭配截图、图表和扫描文档页面

• 专为智能体循环中的路由、工具选择、检查与中止等场景设计

• 输入 tokens 每百万 0.05 美元，输出 tokens 免费

• 据 SubQ 首页显示，前 10,000 名用户可获得 1 亿个免费 tokens

基准测试：这些数据均为 SubQ 自家测试结果，并非独立验证。该模型在 32K tokens 下的 Decision RULER 上得分为 99.8，在 16 项基准测试中企业级平均得分为 67.6，而对比模型为 61.6。Snap 在 16 项中有 13 项表现领先。发布文章没有说明对比模型具体是什么，因此对该对比结果需谨慎看待。请参阅完整的基准测试图表。

适用对象：正在构建智能体的开发人员，其智能体需要针对长输入做出大量路由或校验类决策，例如客服分诊、代码上下文筛选或推荐系统等场景。

在 SubQ 控制台试用 · 阅读文档 · 阅读发布文章