Subquadratic reclama haber roto el cuello de botella matemático que frenaba los LLMs
El 19 de junio de 2026, la startup de inteligencia artificial Subquadratic, con base en Miami, decidió salir del silencio con una bomba: aseguran haber resuelto un problema matemático que atoraba a los modelos de lenguaje grande (LLMs) desde hace casi una década. Su modelo, SubQ, promete ser más rápido, más barato y energéticamente más eficiente que cualquier monstruo negrero actual de Google, OpenAI o Anthropic. Y no solo eso: puede procesar hasta 12 veces más texto simultáneamente. ¿Suena a cuento chino? Pues la cosa se pone interesante cuando empiezan a llegar pruebas independientes que avalan parte del truco. Eso sí, ojo con el hype, aún queda mucho por verificar y la comunidad sigue escéptica, con voces que lo ponen en el altar o lo dejan en la caja de los fraudes similares al fiasco de Theranos pasado por IA.
¿Pero cómo rayos mejora SubQ a los transformers clásicos?
Para entender la movida hay que arremangarse y meterse en la arquitectura de estos modelos infernales. Los LLMs actuales se basan en transformadores – el santo grial de la inteligencia artificial desde el paper de Google en 2017, “Attention Is All You Need”. El núcleo de estos modelos es la “atención densa”, que consiste en multiplicar cada token con todos los demás en el texto. Una locura brutal: un texto de 10,000 tokens pasa de ser simple lectura a una monstruosidad de 50 millones de multiplicaciones. Resultado: consumo energético desbocado y escalabilidad de mierda.
Subquadratic dice adiós a este enfoque con su SubQ y su “atención dispersa” (sparse attention). Aquí no se multiplican todos los tokens contra todos, solo aquellos que importan. Porque, admitámoslo, no es necesario conectar la palabra uno con la dos, la tres o la quinientas en cada lectura ( ¿Quién hace eso en la vida real?). La salvajada está en que, según Subquadratic, su sistema no usa patrones fijos y predecibles (como comparar siempre palabras separadas por una distancia fija), sino que selecciona dinámicamente qué tokens se relacionan, adaptándose a cada texto que entra. Todo el santo secreto está justo ahí: no te dicen cómo funciona, solo que selecciona qué partes merecen atención sobre la marcha. Es la promesa de un filtro inteligente que destruye el gasto innecesario sin perder precisión.
Resultados preliminares que han dejado boquiabiertos a expertos y empiezan a dar peso a su historia
¿Y qué dicen las pruebas? Al principio, Subquadratic soltó cifras por su cuenta que, como era esperable, sembraron dudas. Pero ahora llegó el turno de Appen, firma externa e independiente que hace benchmarks rigurosos. Según Appen y su directora en IA generativa, Jeanine Sinanan-Singh, los resultados fueron “emocionantes” y dieron validación al nuevo enfoque.
Un ejemplo brutal: en una prueba de velocidad pura, SubQ fue 56 veces más rápido que modelos que usan técnicas previas de atención dispersa como FlashAttention. En una prueba práctica de codificación llamada LiveCodeBench, logró un porcentaje del 89.7%, comparable con los pesos pesados en programación. Para colmo, el coste de operar SubQ ronda los 8 dólares en una prueba de recuperación de información, frente a 2,600 dólares de Anthropic en la misma. La diferencia es tal que no puede ser ignorada.
Además, SubQ puede procesar hasta 12 millones de tokens a la vez, mientras los modelos top actuales se quedan con un millón. En pruebas de búsqueda dentro de gigantescos conjuntos de datos, puntuó 98% de precisión, casi una perfección. Incluso un motor popular como Perplexity no pudo con la misma tarea que SubQ resolvió en segundos.
¿Es oro todo lo que reluce? Entre el hype, las dudas y la baza de la reutilización
La prudencia sigue de guardia. Estos benchmarks son agua fresca, pero pueden no reflejar qué tan bien funciona SubQ en tareas reales, con cargas y formatos más variados. Además, Subquadratic apenas dejó probar su modelo a unos pocos millares de usuarios en lista de espera, con 500 clientes empresariales potenciales. El acceso sigue muy limitado.
Otro detalle que levanta cejas es cómo construyeron SubQ: reutilizaron pesos de un modelo chino open source llamado Qwen para arrancar en vez de entrenar todo desde cero. Eso no es raro en la industria, pero pone en duda la afirmación de que reinventaron las bases de los modelos. Más bien ajustarían la arquitectura por filtros inteligentes encima de una base ya cimentada. Algunos expertos consideran esto un desmontaje parcial del discurso grandilocuente: es un avance, pero no la panacea que cambie todo de la noche a la mañana.
¿Puede SubQ sepultar a los transformers como dicen sus creadores?
Justin Dangel, cogestor y CEO, está convencido de que los días de los transformadores están contados. Su apuesta: un salto hacia la eficiencia que revolucione la industria antes de que nos demos cuenta. Se imaginan un mundo donde los LLMs no sean monstruos energéticos, sino máquinas ultra rápidas y mucho más baratas para procesar volumen masivo de datos (algo que, seamos honestos, es el santo grial del sector).
Pero queda una pregunta crítica: si el modelo no está abierto, ni verificado en escenarios más allá de las pruebas, ¿cómo confiar en que esta técnica se escalará sin perder rendimiento? O peor aún, ¿no estaremos ante otro caso de “demasiado bueno para ser cierto” que acaba diluyéndose en ajustes y compromisos menos espectaculares?
¿Oportunidad real o espejismo en la galaxia AI?
La comunidad de IA se debate entre la excitación y la cautela. Las ballenas tecnológicas (Google, OpenAI, Anthropic) no se han pronunciado oficialmente, pero saben que la competencia puede llegar desde una startup que piensa distinto. De algún modo, Subquadratic está jugando en primera con una apuesta a futuro: ofrecer algo que ni las bestias del sector se están atreviendo a cambiar.
Si SubQ de verdad entrega lo que promete, no solo se reduce el coste y la huella ambiental de entrenar y usar modelos grandes, sino que democratiza el acceso a análisis masivos, generación de código, y comprensión de textos largos que antes ni soñábamos manejar en tiempo real.
Pero la mancha de la falta de transparencia pesa. Sin acceso público y sin comparativas abiertas, es fácil ser categórico en la crítica y preguntarse si se está vendiendo humo bajo un barniz de innovación.
¿Y tú qué opinas? ¿Una revolución en ciernes o solo otro bluff?
Además, no olvidemos que las garantías técnicas detrás de esa “selección dinámica y contextual de tokens” siguen misteriosas. Los detalles no se comparten —ni las arquitecturas—. El secreto es la salsa que les diferencia. ¿Ganarán esta guerra de cajas negras o quedarán sepultados por la transparencia y consistencia?
Por ahora: la promesa de Subquadratic es una bocanada de aire fresco en un sector donde la escalabilidad energética se está comiendo a todos. Pero mientras no abran el juego, toca esperar y mantener los pies en la tierra. Porque en IA, que “prometan la luna” ya lo han intentado muchas veces. Lo inteligente es no subestimar ni el increíble potencial ni el riesgo de otro fiasco colossal.
¿SubQ lleva a los LLMs a un nuevo nivel o vivirán en el mundo de las promesas incumplidas? El tiempo lo dirá. Y mientras tanto, toca observar con lupa y pocas ganas de dejarse llevar por el bombo publicitario. ¿No te parece?