Particle-1自家評測：輸出 Token 平均減少約45%

Particle於28日發布供開發者使用的AI模型Particle-1。公司表示，根據自家評測，Particle-1的輸出 Token 用量平均比既有模型少約45%。

Particle由Mixpanel共同創辦人Suhail Doshi創立，Particle-1是公司的首款產品。Doshi的創業經歷也列於Particle的公司介紹頁面。

Particle表示，Particle-1是以DeepSeek V4.1 Flash進行後訓練打造，並非從零開發基礎模型；訓練內容著重軟體開發任務，也使用了公司自行建立的強化學習環境。

評測採用Terminal-Bench 2.1、ReactBench、ADE Bench與DeepSWE 1.1四項任務。與DeepSeek V4.1 Flash相比，Particle-1的輸出 Token 用量少28.4%至52.2%，每項任務的平均成本則低34.4%至51.6%。

公司所稱的「約45%」是四項評測結果合併計算的平均值，不代表每項任務的 Token 用量都減少45%。

Particle在官方公告中表示，四項任務都使用同一個Terminus 2代理程式，並讓每個模型針對每項任務執行16次。

Particle也表示，計算每項任務成本時納入了未能完成任務的執行結果。成本估算以95%的快取命中率為前提，實際帳單與節省幅度可能因此有所不同。

Particle表示，Particle-1首次嘗試就通過任務的比例Pass@1，落在比較模型的信賴區間內。這是公司公布的評測結果，僅憑Pass@1與 Token 減幅，無法斷定實際開發工作中的準確度與品質相同；公布的成本節省幅度也取決於公司設定的評測條件。

Particle在同一份公告中指出，Terminal-Bench 2.1、ReactBench與ADE Bench的 Token 減幅中，約90%來自推理過程。這表示減少用量的效果不只來自較短的回答。Particle也提到，ADE Bench的一個案例中，兩個模型生成的 key 不同，因此結果不只是以較短文字描述相同解法。

Particle-1透過API提供，首波應用領域為軟體工程。Particle在官方部落格公告中表示，截至28日，目標除了降低 Token 用量，也包括縮短任務執行時間。公司計畫將模型拓展至其他領域，但未公布具體時程。

本文所稱的 Token，是AI模型處理或生成文字時使用的單位，並非加密貨幣。Particle的公告也未提及將模型應用於區塊鏈或加密貨幣的計畫。