Es passiert selten, dass ein No-Name-Startup ueber Nacht die KI-Landschaft auf den Kopf stellt. Am 5. Mai 2026 hat es ein Miami-Team versucht. Subquadratic, gegruendet mit 29 Mio. USD Seed-Funding, hat SubQ vorgestellt — laut eigener Aussage das erste subquadratische LLM mit einem 12-Mio.-Token-Context-Fenster. Das ist nicht 12 Tausend. Nicht 12 Millionen Zeichen. Zwoelf Millionen Token. Etwa das 12-fache von Claude Opus 4.7 und das 60-fache von GPT-5.5 im Standardmodus.
Wir haben uns die Architektur, die Benchmarks und die offenen Fragen angeschaut. Hier ist die ehrliche Einschaetzung.
Was ist SubQ und warum ist “subquadratisch” wichtig?
Klassische Transformer skalieren quadratisch mit der Context-Laenge. Verdoppelst du die Eingabe, vervierfacht sich der Speicher- und Rechenbedarf. Genau deshalb sind 1-Mio.-Token-Modelle wie Gemini 3.1 oder Meta Llama 4 Scout so teuer im Betrieb — und 10 Mio. Token sind in der Praxis bisher kaum bezahlbar.
SubQ loest das mit einer eigenen Sparse-Attention-Architektur namens Subquadratic Sparse Attention (SSA). Statt jeden Token mit jedem zu vergleichen, lernt das Modell, welche Token wirklich relevant sind, und ignoriert den Rest. Ergebnis: Die Skalierung ist nahezu linear statt quadratisch.
Konkret bedeutet das:
- 1 Mio. Token Input: etwa 50x schneller und 50x guenstiger als GPT-5.5 oder Claude Opus 4.7
- 12 Mio. Token Input: rund 1.000x weniger Compute als ein vergleichbares Dense-Transformer-Modell
- Ausblick Q4 2026: Ein 50-Mio.-Token-Modell ist bereits angekuendigt
Das klingt zu gut, um wahr zu sein. Genau deshalb fordern Forscher aktuell unabhaengige Beweise, bevor sie die Zahlen akzeptieren.
Was kann SubQ konkret — und was nicht?
Subquadratic veroeffentlicht zwei Produkte:
- SubQ API — Zugriff auf das volle 12-Mio.-Token-Fenster ueber REST-API
- SubQ Code — Ein CLI-Agent fuer Software-Engineering, vergleichbar mit Claude Code oder OpenAI Codex
Staerken laut Benchmarks
| Benchmark | SubQ | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|---|
| Long-Context Retrieval (10M+ Token) | 92,1% | 71,4% | 78,9% |
| Needle-in-a-Haystack (12M Token) | 96,5% | n.v. | n.v. |
| SWE-Bench Pro | 41,2% | 58,7% | 64,3% |
| Inference-Latenz bei 1M Token | 1,9 Sek. | 96 Sek. | 110 Sek. |
Die Long-Context-Werte sind beeindruckend. Bei klassischen Coding-Benchmarks liegt SubQ aber spuerbar zurueck — was Sinn ergibt, weil die Architektur fuer Massen-Kontext optimiert ist, nicht fuer komplexes Reasoning auf kleinen Snippets.
Sinnvolle Use-Cases fuer SubQ
- Komplette Codebases analysieren: 12 Mio. Token entsprechen rund 50.000 Code-Zeilen auf einmal. Refactoring-Vorschlaege quer durch ein Monorepo werden realistisch.
- Langzeit-Recherche: Hunderte PDFs, Vertragswerke oder Forschungsarbeiten in einer einzigen Anfrage zusammenfassen.
- Compliance-Audits: Komplette DSGVO- und EU-AI-Act-Dokumentation eines Unternehmens in einem Pass pruefen — perfekt fuer den Inventar-Workflow im AEGIS Compliance-Hub.
- Video- und Meeting-Transkripte: 12 Mio. Token entsprechen rund 150 Stunden Audio-Transkript.
Wo SubQ heute noch schwaechelt
- Komplexes Reasoning auf kurzen Prompts: GPT-5.5 und Claude Opus 4.7 bleiben besser
- Multimodalitaet: SubQ ist ein reines Text-Modell, keine Bilder, kein Audio
- EU-Hosting: Bisher nur US-Region, kein DSGVO-Auftragsverarbeitungsvertrag verfuegbar
SubQ vs. die Konkurrenz: Wer hat das laengste Context-Fenster?
| Modell | Max. Context | Stand Mai 2026 | Hosting EU |
|---|---|---|---|
| SubQ | 12.000.000 Token | Beta seit Mai 2026 | Nein |
| Meta Llama 4 Scout | 10.000.000 Token | Verfuegbar | Ja (Hyperscaler) |
| Gemini 3.1 Pro | 2.000.000 Token | Verfuegbar | Ja (Vertex EU) |
| Claude Opus 4.7 | 1.000.000 Token | Verfuegbar | Ja (Bedrock FRA) |
| GPT-5.5 | 400.000 Token (Default) | Verfuegbar | Ja (Azure FRA) |
Auf dem Papier fuehrt SubQ klar. Aber: Verfuegbares Context-Fenster ist nicht dasselbe wie nutzbares Context-Fenster. GPT-5.5 und Claude bleiben bei Reasoning-Aufgaben in vielen Praxis-Tests besser, sobald die Kontext-Komplexitaet steigt.
Wie skeptisch solltest du sein?
Die KI-Forschungs-Community ist gespalten. Subquadratic veroeffentlicht aktuell eigene Benchmarks — unabhaengige Repliken durch Stanford, MLCommons oder LiveBench stehen noch aus. Aehnliche “1.000x effizienter”-Claims gab es 2024 und 2025 bereits mehrfach (Mamba, RWKV, RetNet) — kein einziger hat sich in der Praxis als Frontier-Killer durchgesetzt.
Was fuer SubQ spricht:
- Investoren wie Lightspeed und ARK Invest haben eigene Tests durchgefuehrt
- Erste Hacker-News-Reports von Drittentwicklern bestaetigen die Latenz-Werte
- Das Team kommt aus Anthropic-Research und Google DeepMind
Was dagegen spricht:
- Keine peer-reviewed Publikation zur SSA-Architektur
- “SWE-Bench Pro 41%” ist deutlich unter Frontier — das Modell ist kein Allrounder
- “1.000x billiger” laesst sich nur unter sehr spezifischen Bedingungen reproduzieren
Unsere Einschaetzung: SubQ ist keine Marketing-Luftnummer, aber auch kein GPT-Killer. Es ist ein Speziallist fuer extreme Long-Context-Workloads — und damit ein wichtiger Werkzeug-Baustein, kein Frontier-Ersatz.
Was DACH-Unternehmen jetzt tun sollten
- Warten mit produktivem Einsatz — solange kein EU-Hosting und kein AV-Vertrag verfuegbar sind, scheidet SubQ fuer personenbezogene Daten aus.
- Beta-Zugang sichern fuer interne Tech-Evaluation. Die API-Wartelliste ist offen.
- Konkurrenz-Druck nutzen — durch SubQs Preisaggressivitaet werden Claude, GPT und Gemini in den kommenden Monaten ihre Long-Context-Pakete vermutlich verguenstigen. Falls du aktuell mit Long-Context-Limits kaempfst: einfach 2-3 Monate warten.
- Compliance-Implikationen pruefen — fuer Hochrisiko-KI nach EU AI Act muss jedes neue Modell formal evaluiert werden. Genau dafuer haben wir den AI Act Readiness Check gebaut.
So testest du SubQ heute
- Account anlegen: Auf subquadratic.ai zur Beta-Warteliste anmelden (Approval-Zeit aktuell rund 1 Woche)
- API-Key holen: Dashboard → API Keys → “Create Key”
- Erste Tests: Mit dem 1M-Token-Tier starten (kostenlos in der Beta), dann auf 12M skalieren
- SubQ Code installieren:
pip install subq-code— funktioniert auch lokal gegen die API
Fuer ernsthafte Tests empfehlen wir, eine bestehende Codebase oder eine Vertrags-Sammlung als Vergleichs-Benchmark zu nehmen und dieselbe Aufgabe parallel an SubQ und Claude Opus 4.7 zu schicken. Nur so erkennst du, ob die Long-Context-Versprechen fuer deinen Use-Case halten.
Fazit: Architektur-Wette mit Potenzial
SubQ ist die interessanteste LLM-Veroeffentlichung seit DeepSeek V4 — nicht weil es alle Konkurrenten schlaegt, sondern weil es zeigt, dass das Skalierungs-Problem von Transformern nicht zwangslaeufig ueber mehr GPUs geloest werden muss. Wenn sich die SSA-Architektur unabhaengig bestaetigen laesst, koennten 50-Mio.-Token-Modelle bis Jahresende Realitaet werden — mit massiven Auswirkungen auf alles, von Code-Agenten bis Compliance-Audits.
Unsere Empfehlung: Beobachten, evaluieren, aber noch nicht produktiv darauf setzen. Die Beta lohnt sich, der Vendor-Lock-In nicht.
