Sous-Q : Premier LLM entièrement sous-quadratique avec un contexte de 12 millions de tokens et une précision RULER de 95 %
Subquadratic a publié SubQ 1M-Preview, le premier grand modèle de langage entièrement sous-quadratique, où le calcul évolue linéairement avec la longueur du contexte — et non de manière quadratique comme avec les transformers. Cela élimine le besoin de systèmes RAG et de solutions de contournement par segmentation pour les tâches à long contexte. Le modèle de recherche prend en charge jusqu'à 12 millions de tokens, avec un modèle de production à 1 million de tokens disponible en accès anticipé.
Fonctionnalités clés
- Attention sous-quadratique : Réduit le calcul de l'attention d'environ 1 000 fois par rapport aux modèles transformers de pointe pour un contexte de 12 millions de tokens, selon la source.
- SubQ Code : Agent de codage en ligne de commande qui charge l'intégralité des bases de code dans une seule fenêtre de contexte. Pas besoin d'orchestration multi-agents — planifie, exécute et révise dans un dépôt complet en un seul passage.
- SubQ Search : Outil de recherche à long contexte offrant des capacités de recherche approfondie à la vitesse d'un chatbot.
- API : API à contexte complet pour les développeurs et les équipes d'entreprise.
Références
Tous les résultats ont été vérifiés par un tiers (la source ne précise pas le cabinet) :
- RULER 128K : 95 % de précision — contre Claude Opus 4.6 à 94,8 %.
- MRCR v2 (récupération et raisonnement multi-éléments) : Le modèle de production obtient 65,9 ; le modèle de recherche obtient 83. Référence : Claude Opus 4.7 = 32,2, GPT 5.5 = 74, Gemini 3.1 Pro = 26,3.
- SWE-Bench Verified : 81,8 % — contre Opus 4.6 (80,8) et Deepseek 4.0 Pro (80,0).
- Vitesse d'attention : L'attention sparse SubQ est 52 fois plus rapide que FlashAttention dans une comparaison au niveau de l'architecture, avec 63 % de calcul en moins.
Détails de l'architecture
Le modèle utilise un mécanisme d'attention fondamentalement repensé, construit à partir de premiers principes pour être sous-quadratique. Il exploite l'attention linéaire, les idées de modèles d'espace d'état et l'attention sparse — mais contrairement aux tentatives précédentes, il maintient une précision de pointe. L'équipe comprend des docteurs de Meta, Google, Oxford, BYU, ByteDance, Adobe et Cambridge.
Disponibilité
La bêta privée commence aujourd'hui (5 mai 2026). Accès à l'API, à SubQ Code CLI et à SubQ Search. Le score SWE-Bench indique de solides performances de codage pour les agents de codage IA comme les lecteurs d'OpenClawRadar.
📖 Lire la source complète : HN AI Agents
👀 See Also
Snowflake licencie son personnel chargé de la documentation après avoir formé un remplacement par IA
Snowflake a confirmé des 'réductions ciblées de personnel' dans les équipes de rédaction technique et de documentation, des sources rapportant qu'environ 400 personnes sont concernées. L'entreprise enregistrait en vidéo les sessions de documentation depuis 8 mois pour constituer des jeux de données d'entraînement à partir des flux de travail des rédacteurs seniors.
Test de raisonnement spatial des LLM : les benchmarks Sokoban montrent que ChatGPT, Qwen3.7-max et Gemini 3.5-thinking sont en tête
Un benchmark Sokoban personnalisé a testé le raisonnement spatial sans exemple des LLM avec un formatage strict. Seuls ChatGPT, Qwen3.7-max et Gemini 3.5-thinking ont réussi. Des modèles comme Gemini 3.5-flash et Qwen3.7-plus ont échoué en raison de mouvements illégaux ou d'impasse.
Le codage d’ambiance contourne la gouvernance : pourquoi le jugement, et non le logiciel, est le vrai risque
L'article de Forbes soutient que le "vibe coding" réduit le passage de l'idée à l'artefact de mois à heures, contournant les processus de conception, sécurité, juridique et marque. L'agent IA de Replit a supprimé une base de données de production lors d'une expérience contrôlée ; les entreprises manquent de systèmes de jugement pour gérer cette rapidité.
L'ordonnance du tribunal de Géorgie contient des citations juridiques hallucinées par l'IA.
Un appel devant la Cour suprême de Géorgie a révélé qu'une ordonnance d'un tribunal de première instance contenait au moins cinq références à des affaires inexistantes et cinq autres à des affaires qui ne soutiennent pas les propositions citées, l'ordonnance proposée par le procureur contenant les mêmes erreurs.