La startup de IA con sede en Miami, Subquadratic, ha salido del modo sigiloso con una afirmación tan audaz que haría sonrojar a un Transformer: supuestamente han resuelto un cuello de botella matemático que ha mantenido a los grandes modelos de lenguaje como rehenes durante casi una década. El nuevo modelo de la compañía, SubQ, promete ser más rápido, más barato y más eficiente energéticamente que cualquier otra cosa en el mercado, mientras procesa hasta 12 veces más texto a la vez. Es como leer Guerra y Paz de un solo trago en lugar de pasar páginas una por una.

Pero aquí está el problema: cuando Subquadratic hizo su gran anuncio el mes pasado, los recibos brillaban por su ausencia. El escepticismo fue rápido y despiadado. Dan McAteer, un ingeniero de IA, resumió el ambiente en X: "SubQ es o el mayor avance desde el Transformer... o es la Theranos de la IA". Ay.

Un mes después, la compañía ha comenzado a mostrar esos recibos, publicando resultados de pruebas independientes realizadas por la firma externa Appen. Los números parecen prometedores: SubQ obtuvo un 89.7% en LiveCodeBench, una prueba de codificación, y fue 56 veces más rápido que los modelos que usan FlashAttention, una técnica previa de atención dispersa. "Eso fue realmente emocionante para mí, validó su arquitectura", dice Jeanine Sinanan-Singh, directora de investigación de IA generativa de Appen.

Entonces, ¿cuál es la salsa secreta? Subquadratic abandonó la atención densa —la operación central de los transformers, que multiplica cada token con cada otro token en una explosión cuadrática de cómputo— en favor de la atención dispersa, que solo multiplica pares seleccionados. La idea es que no todas las relaciones entre palabras importan; no necesitas conectar la primera palabra de El Gran Gatsby con la última solo para resumirlo. "Si estás leyendo un libro, no vas a mirar la primera y segunda palabra, primera y tercera —eso es una locura", dice el cofundador Alex Whedon.

Subquadratic no dirá exactamente cómo SubQ elige en qué palabras enfocarse —porque, ya sabes, secretos comerciales— pero afirma que es dinámico y se calcula sobre la marcha. Los ahorros de costos son asombrosos: ejecutar el LLM Opus de Anthropic a través de una prueba llamada RULER 128 cuesta $2,600, mientras que SubQ supuestamente lo hace por ocho dólares. No es un error tipográfico.

Antes de que tires tu suscripción de OpenAI, algunas advertencias: SubQ reutilizó pesos del modelo chino de código abierto Qwen en lugar de entrenar desde cero, lo que socava la afirmación de una reinvención completa. Y el modelo sigue mayormente en lista de espera, con solo un puñado de usuarios con experiencia práctica. "La evidencia pública aún no justifica la afirmación más fuerte de que han resuelto el cuello de botella de atención cuadrática", dice el investigador independiente Will Depue.

Subquadratic, por su parte, es filosófico sobre el escepticismo. "Esperamos estar iniciando una nueva era de eficiencia", dice el CEO Justin Dangel. "No creemos que nadie esté construyendo sobre transformers en unos años". Hasta entonces, el mundo espera —y se pregunta si esto es lo próximo grande o solo otro problema matemático bien financiado.