Suhail 新公司 Particle 发布首个模型 Particle-1：基于 DeepSeek V4.1 Flash 后训练，编码任务平均少用约 45% token

核心背景与行业痛点

Agent 编码越来越贵的主要原因不是单价，而是 token 量：模型反复推理、重复构建和冗长的收尾确认，让一个任务动辄消耗数万到十几万输出 token。Mixpanel 创始人 Suhail Doshi（此前创办 Playground）在 X 上宣布新公司 Particle，定位是面向开发者的开源权重模型推理层，首个模型 Particle-1 的目标就是在不掉精度的前提下少用 token。

架构亮点与底层机制

据官方博客，Particle-1 以 DeepSeek V4.1 Flash 为基座，在内部搭建的强化学习环境中后训练，奖励函数同时看任务是否完成和推理、工具调用所用的 token。训练只加了一个覆盖全部层专家的 rank-64 LoRA 适配器，可训练参数约占 1.25%；策略更新用 GSPO（按整条序列做重要性加权和裁剪），官方称按 token 计损失会震荡发散。训练任务由自研合成数据系统 Datamaker 以 Harbor 格式生成，通过 Terminus 2 agent 求解并校验，分编码和数据工程两个阶段进行。官方分析称节省主要来自更少的推理、完成后及时停下、更少的试错修补；在三个基准上约 90% 的节省来自推理 token。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径，统一用 Terminus 2 agent、512k token 上限、最高推理档测试：四个基准上输出 token 少 28.4%–52.2%，单任务成本低 34.4%–51.6%；汇总表中每任务成本 0.2211 美元（DeepSeek V4.1 Flash 0.3368、GLM 5.3 Flash 0.6523），通过率 72.57%（基座 71.15%）。训练域外的 GPQA Diamond 90.40%（基座 90.91%）、Tau Airlines 86.00%（基座 88.00%），略有下降。注意博客成本按每百万 token 输入 0.30、输出 1.20 美元计算，而文档当前标价为 0.25 和 1.00 美元。暂无第三方独立复测。

开发者实战落地与开箱指南

Particle API 兼容 OpenAI 接口，模型名用 particle-1（公开 ID particle-ai/particle-1），支持文本和图片输入、工具调用和 reasoning_effort 档位，默认推理档为 high。也可以直接在 OpenRouter 或 Vercel AI Gateway 上选用。适合把它接进已有的编码 Agent 做降本对比：用同一批任务分别跑基座和 Particle-1，看通过率和 token 账单。官方目前只针对软件工程优化，其它领域效果有待验证。