Subquadratic behauptete, mit seiner SubQ-Architektur einen seit einem Jahrzehnt bestehenden Engpass bei der Rechenleistung großer Sprachmodelle gelöst zu haben, präsentierte unabhängige Appen-Benchmarks, die zeigten, dass SubQ bis zu 56 Mal schneller lief als Konkurrenzansätze und bei einem Test zur Suche langer Dokumente 98 % erreichte, und berichtete von einem Kontextfenster von bis zu 12 Millionen Token bei Verwendung von Sparse-Attention-Techniken und Basisgewichten, die von einer Qwen-Variante abgeleitet wurden.