概览
SubQ Snap 1.1 是迈阿密 AI 公司 Subquadratic 在 2026 年 10 月 22 日发布的长上下文「决策模型」，距 10 月 12 日的 SubQ Snap 1.0 只隔十天。决策模型不写长文，而是拿到一段上下文和几个事先定义好的问题后，直接返回选择、打分或是 / 否的概率，适合智能体里大量「小决定」：选哪个工具、打开哪个文件、这条工单该不该升级给人工。官方示例是判断一条患者消息是否需要先让护士查看，返回「是」的概率。Snap 的特点是上下文长：约 384K tokens，能把整个代码库、数据室或智能体历史一起放进去再做判断，并且支持文本和图片交错输入。它基于公司自研的 Subquadratic Sparse Attention（SSA）稀疏注意力，官方称上下文越长、相对稠密注意力省的算力越多。官方给出的成绩：Artificial Analysis Decision Index 65 分，与 d1-ultra、Baseten 的 Elephant 9B 并列第一，函数调用 BFCL 96.6，多项企业流程测试高于 Jev 1.14（也有少数项落后，如 PhishNChips）。成绩均为官方说法。参数量和许可未公布，不开放权重，目前在 SubQ API 上为公开预览。官方来源：https://subq.ai/subq-snap-1-1 、https://subq.ai/ 、https://docs.subq.ai/using-the-api/models/ （2026-10-23 核对）。 定价：输入每百万 tokens 0.04 美元，输出免费；新用户赠送 1 亿 tokens 免费额度。
- 模态
- 多模态
- 许可说明
- 闭源 · 闭源 · API（公开预览）
能力
- 决策模型：针对给定上下文回答预先定义的问题，直接返回选项、分数或是 / 否概率，不生成自由文本，结果可被代码直接使用
- 上下文：约 384K tokens（官方写作 384k），文本与图片可交错输入（图片仅输入）
- 架构：自研 Subquadratic Sparse Attention（SSA），只计算重要的 token 关系，长上下文下算力大幅低于稠密注意力（官方数据）
- 速度：官方称 10 万 tokens 不到 1 秒
- 成绩（官方）：Artificial Analysis Decision Index 65，与 d1-ultra、Elephant 9B 并列第一；BFCL 96.6；When2Call 等多项高于 Jev 1.14
- 接口：Decisions API（POST https://api.subq.ai/v1/systemone），模型 ID subq-snap-1.1；OpenAI 兼容