2026 年 10 月 12 日，专注于模型算法扩展效率的 Subquadratic 发布了 SubQ Snap，定位为面向 agentic workflow 的决策模型（decision model）。公司称，Snap 单次最多处理 384K token 的文本与图像，100K token 以内的请求在 1 秒内返回。文中的性能数据均为发布方自测，对比对象主要是 TypeSafe 的 Jev。
按 Subquadratic 的说法，agent 几乎每一轮都要做一些结构化的判断，例如哪些文件相关、下一步用哪个工具、测试结果是否通过、哪一步需要交给前沿模型。这类问题的答案可以预先限定：给定上下文、问题和允许的答案集合，决策模型为每个候选答案给出概率，而不是逐字生成文本。公司称，这样可以省去生成文本带来的延迟和成本。
博客提到，Laya、Perplexity 的 Decider 和 TypeSafe 的 Jev 也采用同样的接口，只是架构设计不同。
Subquadratic 称，现有决策模型多停留在 32K token 上下文，原因是标准注意力的计算量随上下文长度平方增长，上下文一长就抵消了决策模型的速度优势。公司认为，一次决策往往依赖散落在代码库、合同前文或长工具调用历史中的证据，截断、检索和分块都可能丢掉关键信息。
Snap 基于公司今年早些时候发布的 Subquadratic Sparse Attention（SSA），再配合决策头（decision head）直接输出答案的概率分布。公司称，SSA 把注意力计算量从平方级降到线性。Snap 支持文本与图像混合输入，可以同时处理代码库与日志、合同与附件，或截图、图表和扫描页。
在 Decision Index 的 16 项企业工作流基准上，Snap 平均得分 67.6，Jev 为 61.6，Snap 在其中 13 项领先。差距较大的包括钓鱼检测 PhishNChips（+22.0）和代码输出预测 CRUXEval（+16.7）。落后的有 ACOS（-0.6）、API-Bank（-1.6）和 When2Call（-7.6）。
在 Decision Index 0.2.1 完整指数上，Snap 得 61.7，Jev 得 57.9；该指数中单个请求最长约 34K token。在 Bespoke Labs 的 Nimble 基准（13 个决策集）上，Snap 的准确率为 82.9%，Jev 为 76.0%。
在 Decision LCR（72K–115K token 的多文档推理）上，Snap 一次读完全部内容得 74.0，采用分块处理的 Jev 得 48.0。公司说明，该成绩不能与 Artificial Analysis 公布的 AA-LCR 结果直接比较，因为后者评的是书面回答，而不是选择题式决策。
在 Decision RULER 上，Snap 在 32K 到 1M token 的各个长度下得分为 96.3 至 99.8。其中 32K 长度上 Snap 为 99.8，Jev 为 94.1；更长的长度上，博客给出的 Jev 成绩为 N/A。
Snap 的定价为每百万输入 token 0.05 美元，输出 token 不收费。目前处于公开预览（Public Preview）阶段，容量有限、先到先得，容量用满后新用户可能进入候补名单，公司表示后续会随着新增容量扩大开放范围。
Subquadratic 的语言模型 SubQ 1.1 Small 仍处于 Early Access 阶段，仅对选定的设计伙伴开放。
