Particle发布首款高效AI模型Particle-1：基于DeepSeek V4.1 Flash，Token消耗最高降低52.2%，专注Agent任务提效

SmartHey10月30日消息，新兴AI公司Particle于10月28日正式发布其首款自研模型——Particle‑1。该模型以DeepSeek V4.1 Flash为基座，通过创新的级联强化学习（Cascade RL）进行后训练优化，核心目标是在保持任务通过率基本不变的前提下，显著减少推理过程与工具调用所产生的输出Token数量。此举不仅可降低实际使用成本，还能缩短AI Agent端到端任务执行时长。首发聚焦软件工程场景，后续将逐步拓展至法律、网络安全、数据工程等更多垂直领域。

不同于多数仅以压缩Token为目标而牺牲输出质量的优化方案，Particle‑1在强化学习奖励函数中同步约束两大关键指标：任务成功完成率 + 更低的Token消耗。研发团队采用GSPO（Group Sequence Policy Optimization）算法，训练Rank‑64 LoRA适配器，其可训练参数量仅占原模型总参数的1.25%；依托RadixArk开源RL框架Miles构建异步分布式训练栈，并对SGLang与Megatron推理引擎进行深度适配优化，有效缓解训练与推理阶段的行为偏差问题。整个训练分为两个阶段：第一阶段专精编码任务，第二阶段强化数据工程任务能力；全部训练数据由Particle自研合成数据系统Datamaker生成。

四大Agent基准测试结果

项目选取Terminal‑Bench 2.1、ReactBench、ADE Bench、DeepSWE 1.1四大面向软件工程与数据工程的Agent评测集开展全面验证：

1. 相较基座模型DeepSeek V4.1 Flash，Particle‑1在各测试集中输出Token减少28.4%–52.2%，单任务平均成本下降34.4%–51.6%；Pass@1任务通过率稳定落在基座模型置信区间内，性能未出现明显衰减。整体平均Token开销降低约45%。

2. 在通用能力基准上，模型知识保留能力优异：GPQA Diamond达90.40%（基座90.91%）、MMLU达86.08%（基座85.98%），通用知识与推理能力损失极小。

通过对成功样本执行轨迹的细致分析，团队归纳出Token节约的四大核心动因：

1. 在执行动作一致的前提下，推理思考过程更凝练，步骤数不变但思维链更紧凑；

2. 任务一旦验证通过即刻终止输出，避免冗余复核与重复确认文本生成；

3. 减少无效试错与反复补丁迭代，实现更直接、鲁棒的代码逻辑落地；

4. 探索与验证过程更具聚焦性，显著抑制对非必要备选方案及边缘案例的过度推演。

进一步分析显示：在Terminal‑Bench、ReactBench与ADE Bench中，约90%的Token节省来自推理思考环节；而在长代码库任务DeepSWE 1.1中，工具调用相关文本亦贡献约30%的Token缩减。

能力泛化：突破代码场景边界

尽管训练数据集中于编码与数据工程任务，Particle‑1所习得的高效Token行为展现出良好跨领域泛化能力。在Harvey LAB法律合同审计任务测试中，标准LoRA强度下，其输出Token相较基座降低24.6%，且所有任务100%通过人工校验；而基座模型仅62.5%通过率。

团队同时指出：提升LoRA适配器强度虽可进一步压缩Token（如8×强度下Token减少78.7%），但将导致关键信息丢失，多数任务无法通过严格校验——表明Token压缩与输出质量之间存在明确权衡关系。

目前，Particle‑1已通过Particle官方API正式对外开放服务。API定价与DeepSeek V4.1 Flash完全一致：未缓存输入0.30美元/百万Token，缓存命中0.006美元/百万Token，输出（含推理）1.20美元/百万Token。团队表示，将持续迭代该高效Token后训练范式，未来将加速向法律、网络安全等高价值专业领域迁移落地。