Particle-1: Suhails Start-up verspricht 45 Prozent weniger Token als DeepSeek V4.1 Flash
Particle hat am 28. Oktober Particle-1 vorgestellt, ein nachtrainiertes DeepSeek V4.1 Flash, das Agent-Coding-Aufgaben mit deutlich weniger Token lösen soll, zum gleichen Token-Preis. Die angekündigten Gewinne wurden noch nicht von Dritten verifiziert.
Particle, das neue Unternehmen von Suhail Doshi (Gründer von Mixpanel und Playground), hat am 28. Oktober sein erstes Modell vorgestellt, Particle-1. Das Ziel ist nicht, die besten Modelle an Genauigkeit zu schlagen, sondern dieselbe Agent-Coding-Arbeit mit deutlich weniger Token zu erledigen, also weniger Geld auszugeben.
Ein DeepSeek, nachtrainiert für Kürze
Particle-1 ist kein von Grund auf entwickeltes Modell. Particle ist von DeepSeek V4.1 Flash ausgegangen, einem offenen Modell, und hat es durch Verstärkungslernen (Methode GSPO) auf einem kleinen LoRA-Adapter mit Rang 64 nachtrainiert, der nur etwa 1,25 Prozent der Parameter verändert. Seine Belohnungsfunktion bewertet erfolgreiche Aufgaben mit weniger Denk- und Werkzeugaufruf-Token höher. Das Training erfolgte in aufeinanderfolgenden Schritten, Bereich für Bereich (Ansatz „Cascade RL“), mit dem Open-Source-Framework Miles von RadixArk.
Der Token-Preis ändert sich nicht: 0,30 Dollar pro Million Eingabetoken, 0,006 Dollar im Cache und 1,20 Dollar für Ausgabe, wie beim Basismodell. Die Ersparnis kommt ausschließlich aus der Anzahl der verbrauchten Token. Particle-1 ist über die Particle-API verfügbar, und Suhail Doshi kündigte einen Inferenzdienst über OpenRouter an.
Angekündigte Gewinne, gemessen von Particle
Laut Particle verbraucht das Modell durchschnittlich 45 Prozent weniger Token. Auf vier Agent-Coding-Tests (Terminal-Bench 2.1, ReactBench, ADE Bench und DeepSWE 1.1) soll es 28,4 bis 52,2 Prozent weniger Ausgabetoken produzieren und 34,4 bis 51,6 Prozent weniger pro Aufgabe kosten als DeepSeek V4.1 Flash, bei einer Genauigkeit, die der des Basismodells entspricht.
Im Durchschnitt kündigt Particle 72,57 Prozent Erfolg an, gegenüber 71,15 Prozent für DeepSeek V4.1 Flash und 66,82 Prozent für GLM 5.3 Flash, bei durchschnittlichen Kosten von 0,22 Dollar pro Aufgabe, gegenüber 0,34 und 0,65 Dollar. Die allgemeinen Fähigkeiten sollen erhalten bleiben (GPQA Diamond 90,40 Prozent gegenüber 90,91 Prozent). Particle erwähnt auch ein Anzeichen für Generalisierung im Rechtsbereich, aber bei einer einzigen Aufgabe des LAB-Tests von Harvey.
Was noch zu verifizieren bleibt
All diese Zahlen stammen von Particle. Keine unabhängige Rangliste hat sie bisher reproduziert, und die angekündigten Genauigkeitsunterschiede sind gering. Der tatsächliche Nutzen wird auch von den Aufgaben abhängen: Ein kurzer Agent ist nur nützlich, wenn er keine Schritte überspringt.
Unsere Einschätzung
Particle-1 veranschaulicht einen grundlegenden Trend: Für Coding-Agenten zählt weniger der angezeigte Preis pro Million Token als die Anzahl der Token, die nötig sind, um eine Aufgabe zu erledigen. Ein Modell, das für dasselbe Ergebnis kürzer nachdenkt, ist auch schneller. Die Methode ist für Entwickler interessant, denn sie geht von einem bestehenden offenen Modell aus und passt nur einen kleinen Bruchteil der Parameter an. Aber solange die Gewinne nur vom Anbieter gemessen werden, sollte man sie als Versprechen behandeln. Der nützliche Test wird einfach sein: Auf den eigenen Aufgaben Rechnung und Erfolgsquote mit dem ursprünglichen DeepSeek vergleichen.
Quellen
- Particle — Introducing Particle-1 (Launch-Beitrag) Primärquelle
- Suhail Doshi auf X — Ankündigung von Particle-1 Primärquelle
- Suhail Doshi auf X — Ergebnisse und Tarif Primärquelle
- Suhail Doshi auf X — Inferenzdienst auf OpenRouter Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
