SubQ Snap 是什麼？384K 長上下文決策模型，價格、速度與限制一次看懂

AI 助手做一項工作，往往要先判斷資料送給誰、下一步用哪個工具，以及目前的結果是否足夠。這些小決定會反覆出現，也會累積等待時間與費用。

Subquadratic 在 2026 年 10 月 12 日推出 SubQ Snap，專門處理這類有明確選項的判斷。它目前開放公開預覽，定位是企業 AI 工作流程中的決策模型。

發布重點包括最高 384K 上下文，也就是一次可處理約 38.4 萬個 token。Token 是模型切分文字與計算容量的單位，不能直接當成相同數量的中文字。

另一個亮點是價格：每百萬輸入 token 收費 0.05 美元，輸出免費。官方也宣稱，處理十萬 token 並回傳決策可以在一秒內完成。

這些數字很吸引人，但要分清楚容量、單次模型速度，以及整個工作的完成時間。官方基準也有改寫題型與不同輸入方式，不能只拿總分判斷誰全面勝出。

價格、接口與優惠資訊核對至 2026 年 10 月 13 日。要理解它能省下哪些工作，先從模型回傳答案的方式看起。

SubQ Snap 如何工作？先給資料，也先定義答案

從寫一段回覆，變成替選項評分

一般大型語言模型擅長依照指令生成文章、程式或說明。SubQ Snap 的用途比較集中：讀取背景資料，根據問題，替事先定義的答案計算機率。

例如客服收到一段對話，你可以先設定「帳務」「技術支援」「其他」三個去向，再問這則訊息應交給哪一組。模型回傳的結果，能直接交由程式處理。

這裡的差別是，應用程式先決定哪些答案合法，再讓模型選擇。選項設計得好，後續流程便容易接手，也不用從一大段文字裡重新找出分類結果。

但答案範圍有限，也代表選項必須涵蓋實際情況。若所有去向都不適用，卻沒有「資訊不足」或「其他」，系統仍可能把案件塞進不合適的分類。

官方的 Decisions API 是供程式呼叫的決策接口，提供是否成立、多選一與等級評分三類判斷，並回傳機率資訊。

機率高，仍需要用自己的資料驗證。團隊應比較模型的分數與人工確認的結果，再決定哪些案件可自動處理，哪些要補資料或交給人看。

AI 代理反覆要做的四種決定

AI 代理是能串接工具、分步執行工作的系統。SubQ Snap 的官方設計，主要對準分流、工具選擇、結果檢查與停止判斷這四個位置。

這些是產品希望支援的角色，實際成效仍取決於你的問題、選項與背景資料。模型選出「跑測試」，測試本身仍由原有工具負責執行。

如果還不熟悉這種分工，可以先看決策層如何替 AI 代理分流與選工具。先找出一個反覆出現的判斷點，比直接換掉整套系統更容易量測效果。

384K 的意義：答案很短，判斷依據卻可能很長

三個選項，也可能要讀完整份背景

決策只回傳一個分類，不代表前面的資料一定很少。客服的問題可能牽涉早先對話，程式工具選擇可能取決於另一個檔案裡的設定。

如果先把內容摘要、截短或分塊，必須另外決定哪些資訊留下。這些方法能節省輸入，卻也可能漏掉會改變答案的條件。

SubQ Snap 支援把文字與圖片放進同一份背景，最高容量為 384K token。對需要跨多處資料判斷的工作，一次保留較完整的內容，是值得測試的能力。

「放得下」與「判得對」需要分開確認。長度只是入口限制，資料彼此矛盾、關鍵條件埋得很深，或問題定義模糊，都會影響最後結果。

SSA 改善讀取成本，總時間仍會隨長度增加

Subquadratic 將長輸入效率歸因於 SSA，也就是「次二次稀疏注意力」。注意力是模型連結不同資訊的方法，稀疏則表示挑選部分關係來計算。

官方說明，這種設計讓注意力計算成本隨輸入長度呈線性成長。讀入兩倍資料時，目標是避免注意力部分變成約四倍工作量，詳見SSA 技術說明。

這也解釋了創辦人所說的「每個 token 計算成本維持固定」。每個單位的成本穩定，總輸入增加時，總計算量與等待時間依然可能增加。

對使用者而言，應該問的是「在我的資料長度下，要等多久、答對多少、花多少錢」。架構名稱可以解釋設計方向，實際導入仍要看這三件事。

一秒內處理十萬 token，應該怎麼看？

官方發布速度是參考值，尚有預覽期波動

創辦人 Alexander Whedon 公開的發布期數字，包含 32K 約 250 毫秒、100K 約 660 毫秒，以及 384K 約 2.5 秒，並提醒平台調整期間會有延遲變動。

這組數字顯示，輸入拉長仍會增加等待時間。它支持「十萬 token 單次判斷很快」的宣傳，不能直接推成「任意長度都一秒完成」，詳見創辦人發布說明。

公開貼文沒有提供足以重現所有條件的完整速度測試設定。因此，上述數字適合作為試用時的比較起點，不適合當成每次呼叫都會達成的服務承諾。

而且一項工作通常還要讀檔、搜尋、等待工具，以及生成最後回覆。某個決策加速後，整體能省多少時間，取決於原本卡在哪一步。

用完整工作來量測，才知道是否值得換

以客服分流為例，可以分別記錄資料準備、模型回傳與案件入列所需時間。這樣才能辨識改善來自模型，還是其他流程剛好變快。

除了平均速度，也要看最慢的一批案件。若大多數很快，少數卻長時間等待，使用者仍會遇到不穩定的體驗，程式也需要超時處理。

測試時最好保留相同資料、選項與判斷規則，分別交給現有方法與新模型。若換模型時也改了題目，結果就很難說明是哪個改動帶來差異。

官方測試領先 Jev，哪些結果最有參考價值？

決策總分與原始答對率，要分開看

Subquadratic 公布，SubQ Snap 在 Decision Index v0.2.1 得到 61.7，Jev 為 57.9。這是公司公布的評測結果，本文沒有自行重跑整套基準。

官方說明，該指數將隨機猜測標成 0、完全正確標成 100，並整合多個領域的加權成績。因此 61.7 不能直接讀成所有問題答對 61.7%，詳見官方發布文章。

在公司另外挑出的 16 項企業相關測試中，Snap 領先 13 項。其中合約條件判斷得到 70.7，Jev 為 59.1，顯示某些文件決策值得深入評估。

但它在 API-Bank、When2Call 與 ACOS 落後。尤其 When2Call 測試要呼叫工具、詢問、回答或拒絕的時機，Snap 為 67.0，Jev 為 74.6。

這個落差值得重視，因為「下一步要做什麼」正是產品主打的用途。企業選模型時，應優先對照自己最常見的任務，再看總分是否有幫助。

長文件比較，包含一次讀入與分塊的差別

Decision LCR 是公司將長文件問答改成選擇題的測試。官方結果為 Snap 74.0、Jev 48.0，但 Snap 一次讀入資料，Jev 使用分塊處理。

這能呈現兩種資料處理方式的實用差異，卻不能視為兩個模型在完全相同輸入條件下的比較。模型能力與資料分塊方式，都可能影響結果。

原始 Artificial Analysis 長上下文推理測試評估的是書面回答。改成選擇題後，分數也不能直接拿去對照原始排行榜。

至於長內容找資訊的 Decision RULER，官方曾測到一百萬 token。那是研究評估的長度，目前 Snap 公開產品標示的上限仍是 384K。

這幾個界線放在一起看，比單一句「長上下文領先」更有用。要先確認它測了什麼，再判斷那件事是否接近你真正需要的工作。

價格很低，但圖片、存取與資料保留也要看

每百萬輸入 0.05 美元，如何估算一筆費用？

依照目前 官方模型與定價文件，SubQ Snap 每百萬輸入 token 為 0.05 美元，輸出不另外收費。

單純按這個費率計算，十萬輸入 token 約 0.005 美元，38.4 萬約 0.0192 美元。這是輸入費率換算，還沒有加入其他工具與服務的成本。

如果工作反覆送入同一份長背景，費用也要按實際每次呼叫計算。一次便宜，呼叫次數很多時，仍應記錄整個任務的累積用量。

官方首頁另列出前一萬名註冊者可獲一億免費輸入 token。是否仍有名額、帳戶實際拿到多少額度，要以註冊當下的帳戶資訊為準。

目前採先到先用的公開預覽，容量滿時可能進入候補。優惠與模型可用性應分別確認，有免費額度不代表任何時間都能立即使用。

支援圖片，但不能直接交給它一整段影片

目前 Decisions API 每次最多接受 4 張圖片，可搭配文字判斷。這與「多模態」的宣傳是一致的實作範圍，但還需要遵守檔案大小限制。

影片目前不支援直接輸入，官方建議抽取最多 4 個影格當圖片送入。因此，若用途是連續動作或長影片分析，就需要另做取樣與評估。

開發者應使用 subq-snap-preview 與 Decisions API，也就是供程式呼叫的決策接口。名稱相近的 subq-preview 是另一款長對話模型，存取階段與接口不同。

這個區分會影響接法與測試內容。若目標是文章生成，應評估生成模型。若目標是依照資料選分類，才適合先測 Snap 的決策接口。

企業文件送進去之前，先確認保留政策

官方文件目前列出的預設政策，是持續保留資料直到刪除。組織可聯繫 SubQ 改成保留指定天數，或申請零資料保留。

Decisions API 也受此政策管理。零資料保留啟用後，帳務與支援紀錄仍包含模型、token 數與時間等資訊，但不包含提示與完成內容，詳見資料保留文件。

準備導入時，可以先用公開資料或去除識別資訊的範例驗證。等帳戶政策、資料可傳送範圍與內部規定確認好，再決定哪些正式資料能交給它。

想試用，從一個可以驗收的判斷開始

先測客服分流，再決定是否加入更多角色

一個容易起步的例子，是把客服訊息分到既有部門。準備人工已確認去向的樣本，也納入模糊訊息、跨部門問題與資訊不足的案例。

接著寫清楚每個去向的條件，保留需要人工處理的選項。比較模型與原有方法的正確率、等待時間，以及每件實際花費，再決定是否採用。

測試樣本應包含會改變答案的細節，例如同樣寫「無法登入」，原因可能是忘記密碼、帳號未啟用，或服務本身發生故障。

如果只測文字明確、答案容易的案例，會高估正式上線的表現。刻意保留容易混淆的情況，才能知道哪些案件需要人接手。

最後再測系統如何處理超時、額度不足與服務暫時不可用。決策接口需要有退路，才能讓原本的客服流程繼續運作。

模型給建議，執行權限仍由流程決定

若把 Snap 用在工具選擇，程式也需要檢查被選中的動作是否允許執行。分類結果可以作為下一步依據，權限與完成條件則由原有系統管理。

同樣地，模型判斷「完成」後，仍應對照可觀察的結果。例如檔案是否產生、測試是否通過，或案件是否成功進入正確的處理佇列。

想進一步設計分數與人工接手條件，可以延伸閱讀Microsoft Decision-1 的結構化決策與信心分數實作。這些設計原則也適合拿來規劃自己的比較測試。

常見問題

SubQ Snap 可以取代聊天模型嗎？

它主要用於有明確選項與評分條件的判斷。需要寫文章、解釋原因或產生完整程式時，仍應評估適合生成內容的模型。

384K 是中文字數嗎？可以用到一百萬嗎？

384K 指 token 數，文字、圖片與問題會占用容量。官方研究有更長的評估，目前公開產品上限仍以 384K 為準。

輸出免費，代表使用完全免費嗎？

輸入依照 token 用量計費。符合發布優惠者可能取得免費額度，但名額、帳戶額度與後續收費，仍要在使用前確認。

官方領先 13 項，就值得全面換掉 Jev 嗎？

要看你的任務接近哪些測試。部分工具時機判斷仍是 Jev 領先，最好用相同資料比較，再決定哪個位置適合採用新模型。

結語：長背景、短答案，值得從小範圍實測

SubQ Snap 的方向很清楚：保留較長的判斷依據，用低輸入費率處理反覆出現的小決策。對客服分流、工具選擇與文件檢查，這提供了一個新的候選方案。

真正值得驗證的，是它能否在你的資料上同時達到正確、快速與便宜。先選一個範圍明確的判斷，量測完整流程，再決定是否擴大使用。

想持續掌握 AI 決策模型與實用工作流程，歡迎免費訂閱 AI 郵報。新的工具更新與應用解析，會直接送到你的信箱。