Meta description：基于 DeepSeek V4.1 Flash 后训练的 Particle-1 于 10 月 28 日发布，官方称编码任务输出 Token 减少 28.4%–52.2%。这意味着什么、又不意味着什么，一文说清。
建议标签：Particle-1、DeepSeek V4.1 Flash、编码模型、Token 定价、OpenRouter
Particle-1 说写代码能省 45% 的 Token，为什么账单不会直接打五五折
2026 年 10 月 28 日，一家叫 Particle 的新公司把公司本身和第一个模型放在同一天宣布了。创始人是 Mixpanel 的创始人 Suhail Doshi，模型叫 Particle-1——一个在 DeepSeek V4.1 Flash 之上后训练出来的编码模型，发布当天 API 就能用，同日上架 OpenRouter。
卖点一句话就能说完：同样的活，更少的 Token。Particle 说 Particle-1 完成编码和数据工程任务时，花在推理和工具调用上的输出远比基座模型少。在一个按 Token 收钱的行业里，"少用 Token"不是脚注，而是整个商业模式本身。
先交代一句：我们没有调用过它的 API，也没有自己跑过这个模型。下面的内容全部来自 Particle 的发布材料和 OpenRouter 的上架信息，适合当作"值得自己去验证的说法"来读，而不是既定事实。
官方到底说了什么
头条数字是输出 Token 平均少约 45%。拆开看，在 Particle 自己跑的四项编码／数据工程基准上，相对基座 DeepSeek V4.1 Flash 的降幅在 28.4% 到 52.2% 之间。通过率（pass@1）据称落在基座模型的置信区间内。
Token 之后自然谈到钱：Particle 称每个任务的平均成本比基座模型低了 34.4% 到 51.6%。
怎么做到的？简单说：在内部搭建的编码和数据工程环境里做强化学习，奖励函数为"把任务解出来，同时少花推理和工具调用的 Token"付钱。技术上它是一个 rank-64 的 LoRA 适配器，只动了约 1.25% 的参数——所以这不是一个新的基座模型，而是对现有开源模型的一次调优。这一点决定了该怎么读这些数字：问题从来不是"这是不是最强模型"，而是"这是不是这个模型更划算的一种用法"。
单价和任务成本，是两笔账
这一点值得展开，因为它才是这次发布的核心。
在定价页上比模型，比的是每百万 Token 几美元。但一个 Agent 式的编码任务并不是固定数量的 Token，而是一个循环：读仓库、做计划、调工具、看结果、再想一轮、改代码、跑测试、挂了、重来。每转一圈都在烧输出 Token，而按常见的价格结构——输出大约是输入的四倍——账单的大头就压在这里。
所以，单价完全相同的两个模型，在同一个任务上完全可能跑出天差地别的账单。如果其中一个用一半的输出 Token 就到达同样能过测试的解，那这个任务的成本真的就近乎减半。这就是 Particle 卖点背后的机制，它是成立的。
但反过来也成立：省下来的钱，只在"解依然能过"的前提下存在。一个提前收工、跳过测试、交给你一份过不了 CI 的代码的模型，并没有帮你省 45%——它让你多花了一轮重试、一次人工复核，甚至一次故障上线。Token 数好数，活干得行不行，得你自己验。
几个需要知道的保留项
这些全是官方自测数字。 基准是 Particle 跑的，任务是 Particle 挑的，结果是 Particle 报的，截至发稿没有任何第三方复现。这不等于数字是假的，但它只是起点。
成本测算假设了 95% 的缓存命中率。 Particle 的每任务节省额是按固定 95% 缓存读取算出来的。缓存命中的输入远比新输入便宜，命中率越高，账单的输入侧越小，输出 Token 的节省就显得越大。如果你自己的 Agent 框架缓存没那么高的命中——很多框架都达不到——输入成本会抬上来，节省比例就会缩水。你的数字不会是它的数字。
两处来源的价格对不上。 Particle 的发布文章标价是每百万 Token：未缓存输入 $0.30、缓存输入 $0.006、输出 $1.20——和它引用的基座模型价格相同，也正因如此，Token 数量的账才能直接换算成钱的账。而 OpenRouter 的上架页面是另一组数字：输入 $0.25、输出 $1.00、缓存读取 $0.03，上下文窗口 1M。两个页面都没有解释差异。拿来做预算之前，去你实际要调用的那条线路查一下实时价格，再按自己的缓存命中率重算一遍。
省 Token 是个旋钮，拧过头会伤质量。 Particle 在一个合同审查任务上做了组附带实验，把适配器强度从 1x 一路加到 8x。标准强度下 Token 少了 24.6%，所有检查全过；拧到 8x 时输出少了 78.7%，但八份报告里只有三份还能通过严格检查。Particle 自己的解读是：激进的强度会"把有用的保留意见和冗余的分析一起压缩掉"。这句话其实是对整个方法最诚实的概括：省 Token 是好事，直到模型开始跳过你需要的那些东西为止。
可用性上有几个边角。 OpenRouter 上这个模型只有单一供应商，目前不支持 EU 区内路由——这是路由层面的限制，不等于欧洲用户完全不能调。另外，基座模型是开放权重的，但 Particle-1 的权重是否开放官方没有宣布，目前只有 API 一条路。
如果心动，正确的试法
真正重要的评测不是 Particle 的基准，而是你自己的。做法不复杂：
从你自己的 backlog 里挑几个真实任务，就是你平时真的会丢给 Agent 的那种。用同一套框架、同一套工具、同一批测试当裁判，分别跑 DeepSeek V4.1 Flash 和 Particle-1。然后只比两个数：按你实际支付的价格算出的每任务总账单，以及按你自己的标准——不是它的标准——算出的通过率。
如果 Particle-1 更便宜，而且交付照样过线，那就是真省到了。如果更便宜但失败率悄悄爬升，那省 Token 只是好测量的部分，不是重要的部分。
结语
Particle-1 押的是一个有意思的判断：AI 编码成本的下一个杠杆，不是更便宜的模型，而是话更少的模型。"输出 Token 少 28.4% 到 52.2%、通过率落在基座置信区间内"这组说法，如果能在发布文章之外也站得住，是有分量的。但每百万 Token 的单价从来不是完成任务的成本，厂商自测的基准也从来不是你的账单。唯一能同时回答这两个问题的评测，得用你自己的任务、你自己的测试，对着你自己的发票跑一遍。