22/10/2026 · VietTechies · Biên tập
Công ty khởi nghiệp chuyên về mô hình nền tảng Subquadratic (có trụ sở tại San Francisco) vừa công bố ra mắt SubQ Snap, một mô hình quyết định mới. Giải pháp này hỗ trợ các AI Agent xử lý các quy trình làm việc phức tạp trong doanh nghiệp bằng cách phân tích tới 384.000 token văn bản và hình ảnh trong một yêu cầu duy nhất. Theo doanh nghiệp, mô hình có thể xử lý 100.000 token và đưa ra quyết định trong khoảng một giây, tạo thế cạnh tranh trực tiếp với các mô hình quyết định hiện có như Jev của TypeSafe.
Kiến trúc, Giá cả và Các bài đo hiệu năng
SubQ Snap vận hành dựa trên công nghệ Subquadratic Sparse Attention (SSA), một cách tiếp cận kiến trúc được công ty giới thiệu trước đó trong năm nhằm kiểm soát chi phí điện toán tăng trưởng theo tuyến tính thay vì theo hàm mũ so với độ dài ngữ cảnh. Subquadratic cho biết Snap có giá 0,05 USD cho mỗi triệu token đầu vào, trong khi token đầu ra được miễn phí, phản ánh đặc trưng tính toán của một mô hình chuyên chọn lọc các đáp án định sẵn thay vì tạo ra văn bản mở. Trong các bài thử nghiệm nội bộ trên 16 bài đo hiệu năng hướng tới doanh nghiệp, Subquadratic ghi nhận Snap vượt trội hơn Jev ở 13 tác vụ, đạt mức trung bình 67,6 so với 61,6 của Jev. Hơn nữa, trên phiên bản tùy chỉnh của bài đo truy xuất RULER, công ty khẳng định Snap đạt điểm từ 96,3 đến 99,8 với lượng dữ liệu đầu vào từ 32.000 đến một triệu token, dù CEO Alex Whedon xác nhận rằng tất cả số liệu công bố hiện dựa trên thử nghiệm nội bộ.
Lý do mô hình quyết định dài hạn quan trọng đối với AI Agent
Sự xuất hiện của SubQ Snap làm nổi bật một bước chuyển dịch cấu trúc trong cách các nhà phát triển xây dựng quy trình làm việc tự động cho agentic AI. Các mô hình ngôn ngữ lớn truyền thống thường sinh ra mã nguồn và văn bản theo cơ chế tự hồi quy, gây ra độ trễ cao và chi phí tính toán lớn khi phải gọi liên tục cho các tác vụ thường lệ như chọn công cụ, điều phối yêu cầu hoặc kiểm tra kết quả. Các mô hình quyết định giải quyết sự kém hiệu quả này bằng cách tập trung vào không gian câu trả lời có giới hạn, cho phép trả về xác suất cho các lựa chọn định sẵn một cách tức thì. Tuy nhiên, trước đây, phần lớn các mô hình quyết định bị giới hạn bởi cửa sổ ngữ cảnh nhỏ khoảng 32.000 token, buộc nhà phát triển phải dựa vào việc tạo tăng cường truy xuất, phân đoạn hoặc cắt ngắn. Các bước trung gian này đôi khi làm mất ngữ cảnh quan trọng, chẳng hạn như một ràng buộc từ đầu tương tác hoặc một hàm nằm ở module mã nguồn khác. Bằng cách mở rộng cửa sổ ngữ cảnh lên 384.000 token, các mô hình như Snap hướng tới việc loại bỏ sự đánh đổi giữa tốc độ và việc mất mát thông tin. Khả năng này giúp các AI Agent viết mã hoặc hệ thống doanh nghiệp kiểm tra toàn bộ tài liệu, nhật ký và kho lưu trữ trong một yêu cầu duy nhất, qua đó giảm bớt khối lượng công việc thường lệ cho các mô hình lớn đắt đỏ mà vẫn duy trì nhận thức tình huống toàn diện trên các tập dữ liệu phức tạp.
Khả năng tiếp cận và Hạn chế của bản xem trước công khai
SubQ Snap hiện có sẵn dưới dạng bản xem trước công khai, dù Subquadratic lưu ý rằng giới hạn 384.000 token là một mức hạn chế tạm thời dành cho người dùng phổ thông do năng lực điện toán hiện có. Mặc dù công ty khởi nghiệp đã thử nghiệm mô hình nội bộ ở mức một triệu token, việc hỗ trợ độ dài đó công khai sẽ đòi hỏi nguồn tài nguyên máy tính lớn hơn đáng kể. Ngoài ra, trong khi Subquadratic đã phát hành mã nguồn cho các bài đánh giá bối cảnh dài tùy chỉnh để cho phép bên khác tái tạo, việc bên thứ ba độc lập xác minh các tuyên bố về bài đo hiệu năng vẫn chưa diễn ra.
Ảnh bìa: minh họa do AI tạo, kèm chữ tiêu đề; không phải ảnh tư liệu.
Nguồn: “Take work away from frontier LLMs”: Subquadratic’s decision model claims 12x Jev’s context window · Subquadratic — Introducing SubQ Snap: A Long-Context Decision Model for Enterprise Agents