Particle-1: la start-up di Suhail promet il 45% di token in meno rispetto a DeepSeek V4.1 Flash
Particle ha presentato il 28 ottobre Particle-1, un DeepSeek V4.1 Flash post-addestrato per svolgere compiti di codice agent con molti meno token, allo stesso prezzo per token. I guadagni annunciati non sono ancora stati verificati da terzi.
Particle, la nuova azienda di Suhail Doshi (fondatore di Mixpanel e di Playground), ha presentato il 28 ottobre il suo primo modello, Particle-1. L’idea non è battere i migliori modelli in precisione, ma fare lo stesso lavoro di agente di codice spendendo molti meno token, quindi meno denaro.
Un DeepSeek riaddestrato per essere conciso
Particle-1 non è un modello concepito da zero. Particle è partita da DeepSeek V4.1 Flash, un modello aperto, e lo ha post-addestrato tramite apprendimento per rinforzo (metodo GSPO) su un piccolo adattatore LoRA di rango 64, che modifica solo circa l’1,25% dei parametri. La sua funzione di ricompensa valorizza i compiti riusciti con meno token di ragionamento e chiamate agli strumenti. L’addestramento si è svolto per fasi successive, dominio per dominio (approccio «Cascade RL»), con il framework open source Miles di RadixArk.
Il prezzo per token non cambia: 0,30 dollari per milione di token in ingresso, 0,006 dollari in cache e 1,20 dollari in uscita, come il modello base. Il risparmio deriva esclusivamente dal numero di token consumati. Particle-1 è disponibile tramite l’API di Particle, e Suhail Doshi ha annunciato un servizio di inferenza tramite OpenRouter.
Guadagni annunciati, misurati da Particle
Secondo Particle, il modello consuma in media il 45% di token in meno. Su quattro test di agenti di codice (Terminal-Bench 2.1, ReactBench, ADE Bench e DeepSWE 1.1), produrrebbe dal 28,4 al 52,2% di token di uscita in meno e costerebbe dal 34,4 al 51,6% in meno per compito rispetto a DeepSeek V4.1 Flash, con una precisione equivalente a quella del modello base.
In media, Particle annuncia il 72,57% di successo, contro il 71,15% per DeepSeek V4.1 Flash e il 66,82% per GLM 5.3 Flash, per un costo medio di 0,22 dollari per compito, contro 0,34 e 0,65 dollari. Le capacità generali sarebbero preservate (GPQA Diamond 90,40% contro 90,91%). Particle evoca anche un segno di generalizzazione nel diritto, ma su un solo compito del test LAB di Harvey.
Cosa resta da verificare
Tutte queste cifre vengono da Particle. Nessuna classifica indipendente le ha ancora riprodotte, e le differenze di precisione annunciate sono ridotte. Il beneficio reale dipenderà anche dai compiti: un agente conciso è utile solo se non salta passaggi.
La nostra lettura
Particle-1 illustra una tendenza di fondo: per gli agenti di codice, il prezzo esposto per milione di token conta meno del numero di token necessari per dokončit un compito. Un modello che ragiona per meno tempo per lo stesso risultato è anche più veloce. Il metodo è interessante per gli sviluppatori, perché parte da un modello aperto esistente e aggiusta solo una piccola frazione dei parametri. Ma finché i guadagni sono misurati solo dallo sviluppatore, bisogna trattarli come una promessa. Il test utile sarà semplice: confrontare, sui propri compiti, la fattura e il tasso di successo rispetto al DeepSeek originale.
Fonti
- Particle — Introducing Particle-1 (post di lancio) Fonte primaria
- Suhail Doshi su X — annuncio di Particle-1 Fonte primaria
- Suhail Doshi su X — risultati e tariffa Fonte primaria
- Suhail Doshi su X — servizio di inferenza su OpenRouter Fonte primaria
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
