Particle-1 : la start-up de Suhail promet 45 % de jetons en moins que DeepSeek V4.1 Flash
Particle a présenté le 28 octobre Particle-1, un DeepSeek V4.1 Flash post-entraîné pour résoudre les tâches de code d'agent avec beaucoup moins de jetons, au même prix au jeton. Les gains annoncés n'ont pas encore été vérifiés par des tiers.
Particle, la nouvelle entreprise de Suhail Doshi (fondateur de Mixpanel et de Playground), a présenté le 28 octobre son premier modèle, Particle-1. L’idée n’est pas de battre les meilleurs modèles en précision, mais de faire le même travail d’agent de code en dépensant beaucoup moins de jetons, donc moins d’argent.
Un DeepSeek réentraîné pour être bref
Particle-1 n’est pas un modèle conçu de zéro. Particle est parti de DeepSeek V4.1 Flash, un modèle ouvert, et l’a post-entraîné par apprentissage par renforcement (méthode GSPO) sur un petit adaptateur LoRA de rang 64, qui ne modifie qu’environ 1,25 % des paramètres. Sa fonction de récompense valorise les tâches réussies avec moins de jetons de raisonnement et d’appels d’outils. L’entraînement s’est fait par étapes successives, domaine par domaine (approche « Cascade RL »), avec le framework open source Miles de RadixArk.
Le prix au jeton ne change pas : 0,30 dollar par million de jetons en entrée, 0,006 dollar en cache et 1,20 dollar en sortie, comme le modèle de base. L’économie vient uniquement du nombre de jetons consommés. Particle-1 est disponible par l’API de Particle, et Suhail Doshi a annoncé un service d’inférence via OpenRouter.
Des gains annoncés, mesurés par Particle
Selon Particle, le modèle consomme en moyenne 45 % de jetons en moins. Sur quatre tests d’agents de code (Terminal-Bench 2.1, ReactBench, ADE Bench et DeepSWE 1.1), il produirait de 28,4 à 52,2 % de jetons de sortie en moins et coûterait de 34,4 à 51,6 % de moins par tâche que DeepSeek V4.1 Flash, avec une précision équivalente à celle du modèle de base.
En moyenne, Particle annonce 72,57 % de réussite, contre 71,15 % pour DeepSeek V4.1 Flash et 66,82 % pour GLM 5.3 Flash, pour un coût moyen de 0,22 dollar par tâche, contre 0,34 et 0,65 dollar. Les capacités générales seraient préservées (GPQA Diamond 90,40 % contre 90,91 %). Particle évoque aussi un signe de généralisation au droit, mais sur une seule tâche du test LAB de Harvey.
Ce qui reste à vérifier
Tous ces chiffres viennent de Particle. Aucun classement indépendant ne les a encore reproduits, et les écarts de précision annoncés sont faibles. Le bénéfice réel dépendra aussi des tâches : un agent bref n’est utile que s’il ne saute pas d’étapes.
Notre lecture
Particle-1 illustre une tendance de fond : pour les agents de code, le prix affiché au million de jetons compte moins que le nombre de jetons nécessaires pour finir une tâche. Un modèle qui réfléchit moins longtemps pour le même résultat est aussi plus rapide. La méthode est intéressante pour les développeurs, car elle part d’un modèle ouvert existant et n’ajuste qu’une petite fraction des paramètres. Mais tant que les gains ne sont mesurés que par l’éditeur, il faut les traiter comme une promesse. Le test utile sera simple : comparer, sur ses propres tâches, la facture et le taux de réussite face au DeepSeek d’origine.
Sources
- Particle — Introducing Particle-1 (billet de lancement) Source primaire
- Suhail Doshi sur X — annonce de Particle-1 Source primaire
- Suhail Doshi sur X — résultats et tarif Source primaire
- Suhail Doshi sur X — service d'inférence sur OpenRouter Source primaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.
