Particle-1: la start-up de Suhail promete un 45 % menos de tokens que DeepSeek V4.1 Flash
Particle presentó el 28 de octubre Particle-1, un DeepSeek V4.1 Flash postentrenado para resolver tareas de código de agente con muchos menos tokens, al mismo precio por token. Las ganancias anunciadas aún no han sido verificadas por terceros.
Particle, la nueva empresa de Suhail Doshi (fundador de Mixpanel y de Playground), presentó el 28 de octubre su primer modelo, Particle-1. La idea no es batir a los mejores modelos en precisión, sino hacer el mismo trabajo de agente de código gastando muchos menos tokens, por tanto menos dinero.
Un DeepSeek reentrenado para ser breve
Particle-1 no es un modelo diseñado desde cero. Particle partió de DeepSeek V4.1 Flash, un modelo abierto, y lo postentrenó por aprendizaje por refuerzo (método GSPO) sobre un pequeño adaptador LoRA de rango 64, que solo modifica aproximadamente el 1,25 % de los parámetros. Su función de recompensa valora las tareas completadas con menos tokens de razonamiento y de llamadas a herramientas. El entrenamiento se realizó por etapas sucesivas, dominio a dominio (enfoque «Cascade RL»), con el framework de código abierto Miles de RadixArk.
El precio por token no cambia: 0,30 dólares por millón de tokens de entrada, 0,006 dólares en caché y 1,20 dólares en salida, como el modelo base. El ahorro proviene únicamente del número de tokens consumidos. Particle-1 está disponible mediante la API de Particle, y Suhail Doshi anunció un servicio de inferencia a través de OpenRouter.
Ganancias anunciadas, medidas por Particle
Según Particle, el modelo consume de media un 45 % menos de tokens. En cuatro pruebas de agentes de código (Terminal-Bench 2.1, ReactBench, ADE Bench y DeepSWE 1.1), produciría del 28,4 al 52,2 % menos de tokens de salida y costaría del 34,4 al 51,6 % menos por tarea que DeepSeek V4.1 Flash, con una precisión equivalente a la del modelo base.
De media, Particle anuncia un 72,57 % de éxito, frente al 71,15 % de DeepSeek V4.1 Flash y el 66,82 % de GLM 5.3 Flash, por un coste medio de 0,22 dólares por tarea, frente a 0,34 y 0,65 dólares. Las capacidades generales se preservarían (GPQA Diamond 90,40 % frente al 90,91 %). Particle menciona también una señal de generalización al derecho, pero en una sola tarea de la prueba LAB de Harvey.
Lo que queda por verificar
Todas estas cifras provienen de Particle. Ninguna clasificación independiente las ha reproducido todavía, y las diferencias de precisión anunciadas son pequeñas. El beneficio real dependerá también de las tareas: un agente breve solo es útil si no se salta pasos.
Nuestra lectura
Particle-1 ilustra una tendencia de fondo: para los agentes de código, el precio mostrado por millón de tokens cuenta menos que el número de tokens necesarios para terminar una tarea. Un modelo que razona menos tiempo para el mismo resultado también es más rápido. El método es interesante para los desarrolladores, porque parte de un modelo abierto existente y solo ajusta una pequeña fracción de los parámetros. Pero mientras las ganancias solo las mida la empresa desarrolladora, hay que tratarlas como una promesa. La prueba útil será sencilla: comparar, en sus propias tareas, la factura y la tasa de éxito frente al DeepSeek original.
Fuentes
- Particle — Introducing Particle-1 (entrada de lanzamiento) Fuente primaria
- Suhail Doshi en X — anuncio de Particle-1 Fuente primaria
- Suhail Doshi en X — resultados y tarifa Fuente primaria
- Suhail Doshi en X — servicio de inferencia en OpenRouter Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
