---
title: Subquadratic lanserer Snap med 384 000 tokens kontekst
url: https://www.elseif.net/no/subquadratic-lanserer-snap-med-384-000-tokens-kontekst
published: 2026-10-17T13:24:34+00:00
language: no
section: Modeller
source: https://thenewstack.io/subquadratic-snap-jev-decision-model/
organizations: Subquadratic, TypeSafe, OpenAI, Perplexity, Cloudflare, Amazon
publisher: elseif
---

# Subquadratic lanserer Snap med 384 000 tokens kontekst

Subquadratic har lansert en beslutningsmodell kalt Snap som ifølge selskapet kan behandle opptil 384 000 tokens av tekst og bilder i en enkelt forespørsel. Dette er 12 ganger så mye som Jevs begrensning på 32 000 tokens per beslutning. Modellen er utviklet for å håndtere store mengder informasjon uten at dataene må deles opp i mindre deler.

Beslutningsmodeller fungerer annerledes enn tradisjonelle språkmodeller som genererer ny tekst. De spesialiserer seg i å velge blant forhåndsdefinerte svar. Dette kan innebære å bestemme hvilket verktøy en kunstig agent skal bruke, å identifisere relevante filer eller å avgjøre om en test har bestått. Slike valg skjer ofte under utførelsen av agentoppgaver, og ved å delegere dem til mindre spesialiserte modeller reduseres avhengigheten av dyre og store språkmodeller.

Subquadratic har implementert en arkitektur kalt Subquadratic Sparse Attention for å redusere beregningskostnadene ved å behandle lange innganger. Selskapet hevder at kravene til oppmerksomhet vokser lineært med kontekstlengden, i stedet for kvadratisk som i konvensjonelle transformere. Denne tilnærmingen gjør det mulig å vurdere mer av en kodebase, logger og tidligere handlinger samlet før en beslutning fattes.

I en epost til media bekrefter Subquadratic at Jevs lansering inspirerte selskapets eget inngrep i markedet. Selskapet mener at beslutningsmodeller har et større potensial enn de rollene de i dag utfører, som å vurdere utdata fra språkmodeller eller å velge hvilken modell som skal håndtere en oppgave. Målet er at disse modellene skal ta over mer av arbeidet fra store språkmodeller.

Subquadratic rapporterer at Snap oppnådde poeng mellom 96,3 og 99,8 på en tilpasset versjon av RULER-hentingsbenchmarken for innganger fra 32 000 til én million tokens. På Decision LCR, som tester resonnering over flere dokumenter, scoret Snap 74,0 mot Jevs 48,0. Jev behandlet dokumentene i deler under testen. På kortere oppgaver scoret Snap 61,7 mot Jevs 57,9 på Decision Index 0.2.1. På Nimble-benchmarken fra Bespoke Labs oppnådde Snap en nøyaktighet på 82,9 prosent, sammenlignet med Jevs 76,0 prosent.

Selskapet opplyser at Snap overtok Jev på 13 av 16 enterprise-benchmarks, med et gjennomsnittlig poeng på 67,6 mot 61,6. Jev presterte bedre på tre tester, deriblant When2Call, som vurderer om en agent skal kalle et verktøy, be om avklaring, svare direkte eller avslå. De publiserte resultatene ble produsert internt, men koden for de tilpassede langkontekst-evaluasjonene er gjort tilgjengelig for andre.

Den annonserte begrensningen på 384 000 tokens er en midlertidig begrensning for den offentlige forhåndsvisningen på grunn av tilgjengelig beregningskapasitet. Selskapet testet modellen på én million tokens, men opplyser at det ville kreve omtrent 2,6 ganger mer beregningskraft å støtte denne lengden offentlig. Snap er ikke med på den nyeste Decision Index-rangeringen, som nå er på versjon 0.3.2 og inkluderer private tester. Selskapet har planer om å sammenligne Snap med nyere konkurrenter i fremtiden.