Subquadratic will das Aufmerksamkeitsproblem großer KI-Modelle geknackt haben
TL;DR
Das Miami-Startup Subquadratic ist im Mai 2026 aus dem Stealth gekommen und behauptet, eine mathematische Engstelle gelöst zu haben, die LLMs seit Jahren bremst. Der Claim zielt auf den Kern moderner Sprachmodelle: lange Kontexte und Attention werden teuer, weil Rechen- und Speicheraufwand stark mit der Sequenzlänge wachsen. Die erste Ankündigung war dünn und wirkte PR-lastig. Viele Fachleute blieben skeptisch, weil Beweise, Benchmarks und unabhängige Tests fehlten.
Nauti's Take
Das ist genau die Art AI-Story, bei der man die Euphorie bremsen sollte. Ein besseres mathematisches Verfahren kann riesig sein, aber LLMs scheitern selten an nur einer Engstelle.
Ohne reproduzierbare Benchmarks, offene Vergleichswerte und Tests auf echten Modellgrößen bleibt es erst einmal ein spannender Claim mit Beweislast beim Startup.
Einordnunganzeigen
Wenn der Durchbruch hält, könnte das lange Kontextfenster, Agenten-Workflows und günstigere Inferenz direkt betreffen. Aber genau in diesem Feld klingen viele Versprechen größer als die späteren Ergebnisse: Effizienz zählt nur, wenn sie bei realen Workloads, Hardware und Modellqualität messbar ankommt.
Quellen