Particle-1 发布：在 DeepSeek V4.1 Flash 上后训练，平均省 45% token
Particle AI 发布首个模型 Particle-1：在 DeepSeek V4.1 Flash 上做后训练，用内部搭建的强化学习环境把「用更少 token 完成任务」写成奖励函数。官方称在多种任务上平均少用约 45% token，且因为任务更早结束，端到端体验也更好。API 定价每百万 token 输入 0.25 美元、输出 1 美元、缓存命中 0.03 美元，上下文 100 万 token。
官方首屏对比（DeepSWE 1.1，对照为 DeepSeek V4.1 Flash 与 GLM 5.3 Flash）：每任务成本 0.2211 美元 vs 0.3368（1.5 倍）与 0.6523（3.0 倍）；平均输出 59,580 token vs 83,246（1.4 倍）与 98,155（1.6 倍）；通过率 72.57% vs 71.15% 与 66.82%。
这次发布的变量不是分数而是单位成本：同一底座上把 token 数压下去，等于把每个 agent 任务的账单压下去，这比再刷一个基准分更直接地决定「哪些任务值得交给 agent」。边界也明确：官方自述本轮只做软件工程，全部数字为厂商自测，且官网与第三方目录都只写 API，未见开放权重。
原文链接：Particle AI 官方博客
核验记录
官方博客页内可见 Oct 28, 2026；页面 HTML 内另有 2026-10-27 / 10-28 的构建时间戳，未采信。OpenRouter 该模型 created 2026-10-29 01:18 属 API 上架日，不作定日。数字按官方默认面板读：HTML 里 aria-selected=true 的是 DeepSWE 1.1 标签页，另三个基准（Terminal-Bench 2.1 / ReactBench / ADE Bench）未展开。是否开放权重：官网与 OpenRouter 均只写 API，未见权重仓。配图为官方博客 hero SVG，裸请求与带站内 Referer 双 200。