---
title: Subquadratic, Jev Modelinden Daha Geniş Bağlam Penceresine Sahip Karar Modelini Tanıttı
url: https://www.elseif.net/tr/subquadratic-jev-modelinden-daha-genis-baglam-penceresine-sahip-karar-modelini-tanitti
published: 2026-10-17T12:20:27+00:00
language: tr
section: Modeller
source: https://thenewstack.io/subquadratic-snap-jev-decision-model/
organizations: Subquadratic, TypeSafe
publisher: elseif
---

# Subquadratic, Jev Modelinden Daha Geniş Bağlam Penceresine Sahip Karar Modelini Tanıttı

Subquadratic, tek bir istekte 384.000 tokene kadar metin ve görüntü işleyebildiği iddia edilen SubQ Snap adlı bir karar modelini piyasaya sürdü. Şirket, bu kapasitenin Jev modelinin karar başına 32 bin tokenlik bağlam sınırıyla karşılaştırıldığında 12 kat daha fazla olduğunu belirtiyor.

Karar modelleri, metin veya kod üretmek yerine önceden tanımlanmış yanıtlar arasından seçim yapma konusunda uzmanlaşmış sistemlerdir. Bu modeller, bir yapay zeka ajanının bir sonraki adımda hangi aracı kullanacağını seçmek, ilgili dosyaları belirlemek veya bir testin geçip geçmediğini saptamak gibi görevleri üstlenmektedir. Bu tür işlemlerin küçük ve uzmanlaşmış modellere devredilmesi, maliyetli öncü büyük dil modellerine olan bağımlılığı azaltmakta, hız ve maliyet avantajı sağlamaktadır.

Subquadratic, Snap modelinin yaklaşık bir saniye içinde 100 bin token işleyebildiğini ve bir karar döndürebildiğini ifade etmektedir. Bu özellik, yapay zeka ajanlarının bilgileri küçük parçalara ayırmak zorunda kalmadan geniş kod tabanları, belgeler ve etkileşim geçmişleri üzerinden karar vermesine olanak tanıyabilir. Şirket, uzun girdileri işlemenin hesaplama maliyetini düşürmek için Mayıs ayında tanıttığı Subquadratic Sparse Attention mimarisini kullandığını belirtmektedir. Bu mimaride dikkat gereksinimlerinin, geleneksel dönüştürücülerdeki gibi karesel olarak değil, bağlam uzunluğuyla doğrusal olarak arttığı bildirilmektedir.

Şirketin dahili testleri, Snap'in 16 kurumsal odaklı kıyaslamadan 13'ünde Jev'den daha iyi performans gösterdiğini ve ortalama 67,6 puan alırken Jev'in 61,6 puan aldığını göstermektedir. Snap, Decision LCR testinde 74,0 puan alarak Jev'in 48,0 puanını geride bırakmıştır. Ayrıca Bespoke Labs'in Nimble kıyaslamasında %82,9 doğruluk oranına ulaşırken, Jev %76,0 oranında kalmıştır. Ancak Jev, bir ajanın araç çağırıp çağırmayacağını değerlendiren When2Call dahil üç testte daha iyi sonuçlar vermiştir.

Subquadratic, 384 bin tokenlik bağlam sınırının mevcut hesaplama kapasitesi nedeniyle halka açık önizleme için getirilen geçici bir kısıtlama olduğunu açıklamıştır. Modelin bir milyon token ile test edildiği ancak bu uzunluğun kamuya açık olarak desteklenmesinin yaklaşık 2,6 kat daha fazla hesaplama gücü gerektireceği belirtilmiştir. Şirket, Snap'in sonuçlarının dahili olarak üretildiğini onaylamış ancak diğerlerinin sonuçları yeniden üretebilmesi için uyarlanmış uzun bağlam değerlendirmelerinin kodlarını paylaşmıştır.