ხელოვნური ინტელექტის სფეროში მთავარი გამოწვევა ყოველთვის იყო დიდი მოცულობის ინფორმაციის დამუშავება. ტრადიციული მოდელები, რომელთა გამოთვლითი სიმძლავრე კონტექსტის სიგრძესთან ერთად კვადრატულად იზრდება, რთულ დავალებებს ვერ ართმევდნენ თავს. კომპანია SubQuadratic-მა შექმნა გამოსავალი — SubQ 1.1 Small, მოდელი, რომელიც ამ შეზღუდვებს ხსნის.

ახალი ტექნოლოგია ეფუძნება Subquadratic Sparse Attention (SSA) არქიტექტურას. ეს მიდგომა საშუალებას აძლევს მოდელს, ინფორმაცია არა ფიქსირებული პოზიციების, არამედ შინაარსობრივი მნიშვნელობის მიხედვით დაამუშაოს. შედეგად, 1 მილიონი ტოკენის დამუშავებისას, მოდელი 64.5-ჯერ ნაკლებ გამოთვლით რესურსს მოიხმარს, ვიდრე სტანდარტული მოდელები.

რატომ არის ეს მნიშვნელოვანი?

SubQ 1.1 Small-ის მთავარი უპირატესობა მისი მასშტაბირებადობაა. ტესტირებისას, მოდელმა 12 მილიონ ტოკენამდე კონტექსტში თითქმის უშეცდომოდ შეძლო კონკრეტული ფაქტების მოძიება. ეს ნიშნავს, რომ AI-ს უკვე შეუძლია გააანალიზოს არა მხოლოდ ცალკეული დოკუმენტები, არამედ მთლიანი პროგრამული კოდის ბაზები, ათასობით გვერდიანი ფინანსური ანგარიშები ან იურიდიული კონტრაქტები.

გამოყენების პრაქტიკული სფეროები

  • ფინანსური ანალიზი: მოდელი ერთდროულად ამუშავებს ემიტენტების ანგარიშებს, კონტრაქტებსა და შიდა ჩანაწერებს, რაც სრულყოფილ სურათს იძლევა.
  • იურიდიული სამუშაო: კონტრაქტის სხვადასხვა გვერდზე გაბნეული პირობების ერთმანეთთან დაკავშირება და ანალიზი.
  • პროგრამული უზრუნველყოფა: მთლიანი რეპოზიტორის ჩატვირთვა ერთ ფანჯარაში, რაც არქიტექტურული დონის რედაქტირებისა და შეცდომების პოვნის საშუალებას იძლევა.

დამოუკიდებელმა კომპანიამ Appen-მა დაადასტურა მოდელის მაღალი ეფექტურობა. SubQ 1.1 Small-ის განვითარება გრძელდება და წლის ბოლომდე დაგეგმილია უფრო ფართო მოდელების გამოშვება, რომლებიც 2-დან 12 მილიონ ტოკენამდე სიმძლავრის დიაპაზონს მოიცავს.

BenchmarkSubQ 1.1 SmallGPT-5.5Opus 4.8Sonnet 4.6GPT-5.4-miniGPT-5.4-nanoHaiku 4.5
Graduate-level scienceGPQA Diamond · pass@185.493.29287.587.581.767.2
Agentic financeAutomationBench13%18%16%8%0%n/r3%
Competitive programmingLiveCodeBench v6 · pass@489.79292.288.978.678.269.7