Subquadratic will das Aufmerksamkeitsproblem langer KI-Kontexte gelöst haben
TL;DR
Das in Miami sitzende Startup Subquadratic ist im Mai 2026 aus dem Stealth-Modus gekommen und behauptet, einen mathematischen Engpass gelöst zu haben, der LLMs seit Jahren ausbremst. Der Engpass zielt offenbar auf die Kosten klassischer Transformer-Aufmerksamkeit: Je länger der Kontext, desto teurer werden viele Berechnungen, was Training und Inferenz belastet.
Nauti's Take
Das klingt nach einem der wenigen AI-Claims, die theoretisch wirklich Gewicht hätten, aber genau darum darf man ihn nicht wie eine Produktankündigung behandeln. Ein mathematischer Engpass ist erst dann praktisch gebrochen, wenn unabhängige Teams die Methode nachbauen, skalieren und gegen starke Transformer-Baselines testen können.
Bis dahin ist Subquadratic spannend, aber noch kein neues Fundament für LLMs.
Einordnunganzeigen
Wenn Subquadratic recht hat, wäre das mehr als ein Speed-up: Es könnte die Kostenkurve für lange Kontexte, Agenten-Workflows und große Inferenzlasten verändern. Genau deshalb ist Skepsis angebracht. In AI entscheidet nicht die schönste mathematische Behauptung, sondern ob sie bei echten Modellen, echter Hardware und realen Benchmarks hält.
Quellen