Стартап Subquadratic заявил, что его модель Jev Subquadratic способна работать с контекстным окном, в 12 раз превышающим возможности сопоставимого решения SNAP. Компания предлагает не наращивать нагрузку на фронтирные LLM, а передавать часть задач отдельной модели принятия решений — подход, который может оказаться особенно полезным для команд, строящих AI-агентов и сложные корпоративные сценарии.
О появлении Jev в середине сентября и новом заявлении Subquadratic сообщает The New Stack. В заметке речь идёт не о ещё одном универсальном чат-боте: Jev позиционируется как decision model — модель, которая должна помогать системе выбирать дальнейшие действия, а не пытаться в одиночку генерировать весь ответ, план и результат работы.
Заявленные «12 раз» относятся к размеру контекста по сравнению со SNAP. Это заметная цифра, но её важно читать именно как заявление разработчика, а не как окончательно подтверждённый отраслевой бенчмарк. Размер доступного контекста сам по себе не гарантирует качества: модели нужно не только принять длинный вход, но и выделить в нём существенные ограничения, не потерять причинно-следственные связи и выбрать корректное действие.
Идея вынести принятие решений в отдельный слой выглядит логичным ответом на практическую проблему AI-систем. Фронтирные языковые модели дороги, не всегда предсказуемы по задержке и часто используются для задач, где от них требуется скорее маршрутизация: определить, нужен ли поиск по базе знаний, вызов API, запуск инструмента, передача задачи человеку или следующий шаг агента. Для такой роли универсальная LLM может быть мощным, но не самым экономным компонентом.
Subquadratic предлагает смотреть на Jev как на способ снять часть этой работы с крупных моделей. В идеальном сценарии фронтирная LLM подключается там, где действительно нужны генерация, сложное рассуждение или работа с естественным языком, а решение о последовательности шагов принимает более специализированный компонент. Для продактов это потенциально означает более управляемую стоимость запроса; для инженеров — ещё один элемент в архитектуре агентного контура, который придётся наблюдать, тестировать и при необходимости откатывать.
Длинное контекстное окно в такой схеме важно по вполне земной причине. Агенту приходится учитывать историю диалога, результаты вызовов инструментов, правила доступа, данные пользователя, промежуточные статусы и ограничения бизнес-процесса. Если всё это не помещается в рабочий контекст, система начинает сжимать историю, терять детали или повторно запрашивать данные. Если помещается, появляется другой вопрос: умеет ли модель использовать этот объём без деградации качества и роста задержек.
Для российских команд новость интересна не столько названием Jev, сколько самим разделением ролей. Многие пилоты с AI-агентами упираются не в красивую демо-генерацию текста, а в контроль выполнения: какой инструмент вызвать, какие данные можно передать, когда остановить процесс и как объяснить принятое решение. Специализированная модель принятия решений теоретически позволяет сделать этот контур дешевле и прозрачнее, но добавляет новую точку отказа и новую модель, которую нужно валидировать на собственных данных.
Внедрять подобный подход без проверки рискованно. Командам стоит отдельно измерять точность выбора действий, долю ошибочных вызовов инструментов, время ответа, стоимость полного сценария и устойчивость к длинной истории. Полезен и режим подстраховки: если decision model не уверена в маршруте, задача уходит в более мощную модель или человеку. Иначе экономия на фронтирной LLM легко превращается в дорогую отладку ошибочных решений.
Главный вопрос теперь не в том, можно ли заявить контекст в 12 раз больше, а в том, станет ли модель Jev Subquadratic надёжным рабочим слоем между пользователем, агентом и крупной LLM. Если такие модели смогут стабильно маршрутизировать задачи и удерживать длинный контекст, архитектура AI-продуктов будет всё меньше напоминать один гигантский промпт и всё больше — обычную распределённую систему с чётко разделёнными обязанностями.