MIAMI / LONDON (IT BOLTWISE) – Das KI-Startup Subquadratic bewirbt sein neues LLM-Framework SubQ als Engpass-lösend und nennt bis zu 56-fache Geschwindigkeit bei deutlich geringeren Kosten. Branchenexperten reagieren zunächst skeptisch, weil frühe Ergebnisse kaum reproduzierbar waren. Inzwischen veröffentlicht das Team Bewertungsresultate für zentrale Use-Cases und versucht, die Lücke zwischen Theorie und Messung zu schließen. Für Unternehmen könnte das ein echter Hebel sein – oder ein erneuter Beweis für die Grenzen von Marketing-KPIs.
Subquadratic aus Miami meldet sich mit einer ungewöhnlich harten Behauptung zurück: Das Startup sagt, es habe einen mathematischen Engpass in großen Sprachmodellen (LLM) beseitigt und könne dadurch Inferenz „56-mal schneller“ machen – zu einem Bruchteil der üblichen Kosten und mit deutlich weniger Energieverbrauch. Solche Aussagen treffen in einer Phase auf besonders hohe Erwartungen: Seit dem Transformer-Umbruch hat sich die LLM-Welt vor allem über Skalierung, Quantisierung und bessere Trainings- sowie Inferenz-Workflows bewegt. Doch jedes neue Versprechen muss sich an der Realität messen lassen: Latenz, Durchsatz, Kontextfenster, Genauigkeit und die Frage, wie viel davon unter realen Produktionsbedingungen übrig bleibt.
Technisch setzt Subquadratic auf ein neues Modellkonzept namens „SubQ“. Das Unternehmen beschreibt SubQ als eine Variante von LLMs, die schneller und kostengünstiger arbeitet und weniger Energie benötigt als „jedes andere Modell“ auf dem Markt. Darüber hinaus wird behauptet, SubQ könne bis zu zwölfmal so viel Text auf einmal verarbeiten wie die meisten etablierten Systeme, wodurch datenintensive Aufgaben wie das Verstehen hunderter Dokumente oder ganzer Codebasen effizienter werden sollen. Ein weiterer Kernpunkt: Bei programmiernahen Aufgaben soll SubQ in Leistungsfragen in die Nähe der führenden Modelle von Google DeepMind, OpenAI und Anthropic kommen – zumindest bei bestimmten Schlüsselbenchmarks.
Der zentrale Knackpunkt war zunächst nicht die Idee, sondern die Evidenzlage. In den ersten Veröffentlichungen lieferte Subquadratic laut dem Umfeld der Berichterstattung vor allem eigene Testergebnisse, aber nur begrenzte externe Verifizierung. Zudem war SubQ lange nicht allgemein zugänglich; damit entfiel für Dritte die Möglichkeit, selbst Messungen durchzuführen, Prompt-Sets zu reproduzieren und die Behauptungen zu validieren. Für jede Architektur gilt: Ohne unabhängige Reproduktion bleibt „Geschwindigkeit“ eine schwer vergleichbare Größe, weil sie von Hardware, Batch-Größe, Modellspeicher, Tokenisierung, Kontextlänge und sogar von Software-Overheads abhängt. Genau hier wird die Datengrundlage zum Sicherheits- und Vertrauensfaktor.
Dass die Skepsis dann schnell Fahrt aufnahm, ist aus Investor- und Engineering-Sicht verständlich. In Diskussionen in der Tech-Community wurde SubQ entweder als potenzieller Sprung nach vorn eingeordnet – oder als Beispiel für überzogene Versprechen. Besonders zugespitzt wird das in einer Analogie, die ein KI-Ingenieur sinngemäß auf den Punkt brachte: Entweder handle es sich um den größten Durchbruch seit dem Transformer, oder um „Theranos der KI“ – also um eine Situation, in der die Außendarstellung stark von der tatsächlichen Leistungsfähigkeit abweicht. Historisch ist dieses Muster bekannt: Große Versprechen ohne belastbare Messmethodik sind in regulierten Branchen besonders riskant, weil falsche Kennzahlen Entscheidungen anstoßen können, die später teuer korrigiert werden müssen.
Wie plausibel ist das „Engpass“-Argument? In LLMs entstehen praktische Engpässe häufig nicht nur im Training, sondern im Zusammenspiel aus Attention, Speicherzugriffen und dem Verhältnis von Rechenoperationen zu Datenbewegung. Wenn Subquadratic tatsächlich an einem mathematisch begründbaren Bottleneck ansetzt, könnte das in Richtung effizienterer Inferenzpfade, reduzierter Redundanzen oder optimierter Operatoren gehen. Der entscheidende Vergleich bleibt jedoch: Latenz pro Anfrage (p50/p95), Tokens pro Sekunde bei realen Kontextfenstern, Speicherbedarf und Energieverbrauch pro 1.000/1 Mio. Tokens – jeweils unter nachvollziehbaren Bedingungen. Erst wenn unabhängige Benchmarks diese Faktoren sauber abbilden, wird aus einer technischen Idee eine belastbare Produktleistung.
Marktseitig ist die Timing-Frage ebenso wichtig. Unternehmen sind inzwischen weniger an „noch ein neues Modell“ interessiert, sondern an planbaren Kosten und Betriebsstabilität. Wettbewerber wie Google DeepMind, OpenAI und Anthropic investieren parallel in Optimierungsschichten rund um ihre Modelle: bessere Serving-Infrastrukturen, effizientere Sampling-Strategien, verbesserte Tools/Agents und zunehmend auch speicher- sowie energiebezogene Inferenzoptimierungen. SubQ positioniert sich hier mit der Aussage, nicht nur eine bessere Benchmark-Zahl, sondern ein strukturell effizienteres Verhalten zu liefern. Für Enterprise-Software ergibt das einen klaren Hebel: Wenn die Inferenz günstiger und schneller wird, sinken Total Cost of Ownership und Time-to-Value bei KI-Funktionen wie Dokumentanalyse, Code Review oder Wissensassistenten.
Trotzdem bleibt das Thema Sicherheit und Datenschutz ein Muss – gerade bei datenintensiven Workflows. Größere Kontextfenster und das gleichzeitige Verarbeiten ganzer Code- oder Dokumentmengen erhöhen die Wahrscheinlichkeit, dass sensible Informationen in Prompts, Zwischenergebnisse oder Logs gelangen. Unternehmen müssen deshalb Modelle nicht nur gegen Qualitätsbenchmarks prüfen, sondern auch gegen Operational Risks: Prompt-Injection-Resistenz, Datenabfluss über Metadaten, Anfälligkeit bei Tool-Nutzung und die Frage, wo personenbezogene Daten verarbeitet und gespeichert werden. In vielen Umgebungen ist außerdem ein Compliance-Rahmen nötig, der dokumentiert, wie lange Daten vorgehalten werden und wie Zugriffe protokolliert werden.
Für die nächsten Monate wird entscheidend sein, ob Subquadratic die Brücke von Messung zu Nutzung schlägt. Wenn SubQ schrittweise mehr externe Tests ermöglicht, klare Testbedingungen veröffentlicht und echte Reproduzierbarkeit für zentrale Szenarien schafft, könnten die behaupteten Vorteile in Richtung „schnellerer, günstigerer“ LLMs tatsächlich die Praxis erreichen. Umgekehrt besteht das Risiko, dass sich die Performance vor allem unter Laborannahmen zeigt, während in Produktionspipelines zusätzliche Latenz durch Orchestrierung, Retrieval, Reranking und Observability entsteht. Unabhängig vom Ausgang ist die Entwicklung trotzdem ein Signal: Effizienz wird zur strategischen Achse, und Entwickler bekommen neue Möglichkeiten, KI-Workloads auf niedrigeren Kostenbudgets zu betreiben – sofern die Ergebnisse belastbar sind.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Subquadratics SubQ: angeblich 56-mal schnelleres LLM und was dahinter steckt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Subquadratics SubQ: angeblich 56-mal schnelleres LLM und was dahinter steckt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Subquadratics SubQ: angeblich 56-mal schnelleres LLM und was dahinter steckt« bei Google Deutschland suchen, bei Bing oder Google News!