Meta description：基於 DeepSeek V4.1 Flash 後訓練的 Particle-1 於 10 月 28 日發佈，官方稱編碼任務輸出 Token 減少 28.4%–52.2%。這代表什麼、又不代表什麼，一文說清。
建議標籤：Particle-1、DeepSeek V4.1 Flash、編碼模型、Token 定價、OpenRouter
Particle-1 說寫程式能省 45% 的 Token，為什麼帳單不會直接打五五折
2026 年 10 月 28 日，一家叫 Particle 的新公司把公司本身和第一個模型放在同一天宣布了。創辦人是 Mixpanel 的創辦人 Suhail Doshi，模型叫 Particle-1——一個在 DeepSeek V4.1 Flash 之上後訓練出來的編碼模型，發佈當天 API 就能用，同日上架 OpenRouter。
賣點一句話就能說完：同樣的活，更少的 Token。Particle 說 Particle-1 完成編碼和資料工程任務時，花在推理和工具呼叫上的輸出遠比基座模型少。在一個按 Token 收錢的產業裡，「少用 Token」不是註腳，而是整個商業模式本身。
先交代一句：我們沒有呼叫過它的 API，也沒有自己跑過這個模型。下面的內容全部來自 Particle 的發佈資料和 OpenRouter 的上架資訊，適合當作「值得自己去驗證的說法」來讀，而不是既定事實。
官方到底說了什麼
頭條數字是輸出 Token 平均少約 45%。拆開看，在 Particle 自己跑的四項編碼／資料工程基準上，相對基座 DeepSeek V4.1 Flash 的降幅在 28.4% 到 52.2% 之間。通過率（pass@1）據稱落在基座模型的信賴區間內。
Token 之後自然談到錢：Particle 稱每個任務的平均成本比基座模型低了 34.4% 到 51.6%。
怎麼做到的？簡單說：在內部搭建的編碼和資料工程環境裡做強化學習，獎勵函數為「把任務解出來，同時少花推理和工具呼叫的 Token」付錢。技術上它是一個 rank-64 的 LoRA 轉接器，只動了約 1.25% 的參數——所以這不是一個新的基座模型，而是對現有開源模型的一次調優。這一點決定了該怎麼讀這些數字：問題從來不是「這是不是最強模型」，而是「這是不是這個模型更划算的一種用法」。
單價和任務成本，是兩筆帳
這一點值得展開，因為它才是這次發佈的核心。
在定價頁上比模型，比的是每百萬 Token 幾美元。但一個 Agent 式的編碼任務並不是固定數量的 Token，而是一個迴圈：讀儲存庫、做計畫、呼叫工具、看結果、再想一輪、改程式碼、跑測試、掛了、重來。每轉一圈都在燒輸出 Token，而按常見的價格結構——輸出大約是輸入的四倍——帳單的大頭就壓在這裡。
所以，單價完全相同的兩個模型，在同一個任務上完全可能跑出天差地別的帳單。如果其中一個用一半的輸出 Token 就到達同樣能過測試的解，那這個任務的成本真的就近乎減半。這就是 Particle 賣點背後的機制，它是成立的。
但反過來也成立：省下來的錢，只在「解依然能過」的前提下存在。一個提前收工、跳過測試、交給你一份過不了 CI 的程式碼的模型，並沒有幫你省 45%——它讓你多花了一輪重試、一次人工複核，甚至一次故障上線。Token 數好數，活做得行不行，得你自己驗。
幾個需要知道的保留項
這些全是官方自測數字。 基準是 Particle 跑的，任務是 Particle 挑的，結果是 Particle 報的，截至發稿沒有任何第三方複現。這不等於數字是假的，但它只是起點。
成本測算假設了 95% 的快取命中率。 Particle 的每任務節省額是按固定 95% 快取讀算出來的。快取命中的輸入遠比新輸入便宜，命中率越高，帳單的輸入側越小，輸出 Token 的節省就顯得越大。如果你自己的 Agent 框架快取沒那麼高的命中——很多框架都達不到——輸入成本會抬上來，節省比例就會縮水。你的數字不會是它的數字。
兩處來源的價格對不上。 Particle 的發佈文章標價是每百萬 Token：未快取輸入 $0.30、快取輸入 $0.006、輸出 $1.20——和它引用的基座模型價格相同，也正因如此，Token 數量的帳才能直接換算成錢的帳。而 OpenRouter 的上架頁面是另一組數字：輸入 $0.25、輸出 $1.00、快取讀取 $0.03，上下文窗口 1M。兩個頁面都沒有解釋差異。拿來做預算之前，去你實際要呼叫的那條線路查一下即時價格，再按自己的快取命中率重算一遍。
省 Token 是個旋鈕，轉過頭會傷品質。 Particle 在一個合約審查任務上做了組附帶實驗，把轉接器強度從 1x 一路加到 8x。標準強度下 Token 少了 24.6%，所有檢查全過；轉到 8x 時輸出少了 78.7%，但八份報告裡只有三份還能通過嚴格檢查。Particle 自己的解讀是：激進的強度會「把有用的保留意見和冗餘的分析一起壓縮掉」。這句話其實是對整個方法最誠實的概括：省 Token 是好事，直到模型開始跳過你需要的那些東西為止。
可用性上有幾個邊角。 OpenRouter 上這個模型只有單一供應商，目前不支援 EU 區內路由——這是路由層面的限制，不等於歐洲使用者完全不能呼叫。另外，基座模型是開放權重的，但 Particle-1 的權重是否開放官方沒有宣布，目前只有 API 一條路。
如果心動，正確的試法
真正重要的評測不是 Particle 的基準，而是你自己的。做法不複雜：
從你自己的 backlog 裡挑幾個真實任務，就是你平時真的會丟給 Agent 的那種。用同一套框架、同一套工具、同一批測試當裁判，分別跑 DeepSeek V4.1 Flash 和 Particle-1。然後只比兩個數：按你實際支付的價格算出的每任務總帳單，以及按你自己的標準——不是它的標準——算出的通過率。
如果 Particle-1 更便宜，而且交付照樣過線，那就是真省到了。如果更便宜但失敗率悄悄爬升，那省 Token 只是好測量的部分，不是重要的部分。
結語
Particle-1 押的是一個有意思的判斷：AI 編碼成本的下一個槓桿，不是更便宜的模型，而是話更少的模型。「輸出 Token 少 28.4% 到 52.2%、通過率落在基座信賴區間內」這組說法，如果能在發佈文章之外也站得住，是有分量的。但每百萬 Token 的單價從來不是完成任務的成本，廠商自測的基準也從來不是你的帳單。唯一能同時回答這兩個問題的評測，得用你自己的任務、你自己的測試，對著你自己的發票跑一遍。