Subquadratic introduceert Snap, beslissingsmodel dat 12 keer groter context dan Jev claims
17 oktober 2026 · 2 min leestijd
Subquadratic, een San Francisco gebaseerde startup op het gebied van foundation-modellen, heeft op maandag een nieuw beslissingsmodel gelanceerd genaamd Snap. Het bedrijf beweert dat het model tot 384.000 tokens tekst en afbeeldingen in één verzoek kan verwerken. Dit zou negenentwintig keer zo veel zijn als de 32K-token per-decision contextlimiet van Jev. Volgens het bedrijf kan Snap 100.000 tokens verwerken en een beslissing terugkeren in ongeveer één seconde.
De lancering komt na aankondigingen van andere spelers in de industrie, waaronder OpenAI, Perplexity, Cloudflare en Amazon. Subquadratic's CEO Alex Whedon geeft aan dat de aankomst van Jev de ontwikkeling van Snap heeft beïnvloed. In een e-mailgesprek met The New Stack zegt Whedon: "Snap is ontwikkeld met inspiratie van Jev, omdat beslissingsmodellen highly thesis-aligned zijn."
Whedon benadrukt dat beslissingsmodellen het mogelijk maken om taken over te nemen van duurdere frontier LLMs. Het model is ontworpen om AI-agenten in staat te stellen beslissingen te nemen over grote codebases, documenten en interactiegeschiedenissen zonder informatie in kleinere stukken te hoeven breken.
Snap maakt gebruik van Subquadratic Sparse Attention (SSA), een architectuur die het bedrijf in mei introduceerde om de rekenkosten van het verwerken van lange invoer te verlagen. Volgens Subquadratic nemen de aandachtvereisten lineair toe naarmate de contextlengte toeneemt, in tegenstelling tot de kwadratische groei van conventionele transformers. Hierdoor zou het model in staat zijn grotere contexten te verwerken met minder rekenkracht.
Op benchmarktests toont Snap sterke resultaten. Op een aangepaste versie van de RULER retrieval benchmark scoorde het model tussen de 96,3 en 99,8 over invoer van 32K tot een miljoen tokens. Op de benchmark Decision LCR, die redenering over meerdere documenten test, scoorde Snap 74,0 tegenover 48,0 van Jev, dat de documenten in chunks verwerkte. Op kortere taken scoorde Snap 61,7 tegenover 57,9 van Jev op Decision Index 0,2,1. Daarnaast leidde Snap op de Nimble benchmark van Bespoke Labs met 82,9% nauwkeurigheid tegenover 76,0% van Jev.
Over 16 ondernemingsgerichte benchmarks heen scoorde Snap 13 keer beter dan Jev, met een gemiddelde score van 67,6 tegenover 61,6. Toch presteerde Jev beter op drie tests, waaronder When2Call, dat beoordeelt of een agent een tool moet aanroepen, om verduidelijking moet vragen, direct moet antwoorden of moet declineren.
Whedon verklaart dat de publieke resultaten intern zijn verkregen, hoewel het bedrijf de code voor lang-context evaluaties heeft vrijgegeven zodat anderen ze kunnen reproduceren. Het model is niet beschikbaar op de meest recente Decision Index leaderboard, omdat die zich richt op open-weight modellen, waarbij Jev een uitzondering is.