Startup americana diz ter resolvido o gargalo matemático que trava os LLMs

Uma startup de Miami chamada Subquadratic saiu do stealth no mês passado com uma afirmação grande: resolveu o gargalo de escalabilidade que limita os modelos de linguagem há anos. O problema em questão é o mecanismo de atenção dos transformers, que tem complexidade quadrática — ou seja, dobrar o comprimento do contexto quadruplica o custo computacional. A MIT Technology Review deu destaque ao caso, que ainda aguarda validação independente.

A empresa afirma ter desenvolvido uma abordagem matemática alternativa que mantém a qualidade dos modelos mas elimina esse custo quadrático. Se a afirmação se confirmar, a implicação mais direta seria modelos com janelas de contexto muito maiores a custos viáveis — o que mudaria radicalmente o que é possível fazer com documentos longos, bases de código inteiras ou históricos extensos de conversas.

Por que importa: Esse é o tipo de notícia que exige ceticismo saudável — "startup sai do stealth com afirmação enorme" é um padrão frequente em IA. Mas vale acompanhar: se a validação independente confirmar, o impacto é profundo. Para quem usa LLMs em produção hoje, o gargalo de contexto é uma restrição real. Uma solução genuína mudaria a arquitetura dos produtos que todos usamos.