Particle-1: a startup de Suhail promete 45% menos tokens que o DeepSeek V4.1 Flash
A Particle apresentou em 28 de outubro o Particle-1, um DeepSeek V4.1 Flash pós-treinado para resolver tarefas de código de agente com muito menos tokens, pelo mesmo preço por token. Os ganhos anunciados ainda não foram verificados por terceiros.
Particle, a nova empresa de Suhail Doshi (fundador da Mixpanel e da Playground), apresentou no dia 28 de outubro seu primeiro modelo, o Particle-1. A ideia não é superar os melhores modelos em precisão, mas fazer o mesmo trabalho de agente de código gastando muito menos tokens, portanto menos dinheiro.
Um DeepSeek retreinado para ser breve
O Particle-1 não é um modelo concebido do zero. A Particle partiu do DeepSeek V4.1 Flash, um modelo aberto, e o pós-treinou por aprendizado por reforço (método GSPO) em um pequeno adaptador LoRA de rank 64, que modifica apenas cerca de 1,25% dos parâmetros. Sua função de recompensa valoriza tarefas concluídas com menos tokens de raciocínio e chamadas de ferramentas. O treinamento aconteceu por etapas sucessivas, domínio por domínio (abordagem “Cascade RL”), com o framework open source Miles da RadixArk.
O preço por token não muda: US$ 0,30 por milhão de tokens de entrada, US$ 0,006 em cache e US$ 1,20 de saída, como o modelo base. A economia vem apenas do número de tokens consumidos. O Particle-1 está disponível pela API da Particle, e Suhail Doshi anunciou um serviço de inferência via OpenRouter.
Ganhos anunciados, medidos pela Particle
Segundo a Particle, o modelo consome em média 45% menos tokens. Em quatro testes de agentes de código (Terminal-Bench 2.1, ReactBench, ADE Bench e DeepSWE 1.1), ele produziria de 28,4 a 52,2% menos tokens de saída e custaria de 34,4 a 51,6% menos por tarefa que o DeepSeek V4.1 Flash, com precisão equivalente à do modelo base.
Em média, a Particle anuncia 72,57% de sucesso, contra 71,15% para o DeepSeek V4.1 Flash e 66,82% para o GLM 5.3 Flash, por um custo médio de US$ 0,22 por tarefa, contra US$ 0,34 e US$ 0,65. As capacidades gerais seriam preservadas (GPQA Diamond 90,40% contra 90,91%). A Particle também menciona um sinal de generalização para o direito, mas em uma única tarefa do teste LAB da Harvey.
O que ainda precisa ser verificado
Todos esses números vêm da Particle. Nenhum ranking independente os reproduziu ainda, e as diferenças de precisão anunciadas são pequenas. O benefício real dependerá também das tarefas: um agente breve só é útil se não pular etapas.
Nossa leitura
O Particle-1 ilustra uma tendência de fundo: para agentes de código, o preço exibido por milhão de tokens importa menos que o número de tokens necessários para concluir uma tarefa. Um modelo que pensa menos tempo pelo mesmo resultado também é mais rápido. O método é interessante para desenvolvedores, pois parte de um modelo aberto existente e ajusta apenas uma pequena fração dos parâmetros. Mas enquanto os ganhos forem medidos apenas pela empresa desenvolvedora, devem ser tratados como uma promessa. O teste útil será simples: comparar, em suas próprias tarefas, a fatura e a taxa de sucesso contra o DeepSeek original.
Fontes
- Particle — Introducing Particle-1 (post de lançamento) Fonte primária
- Suhail Doshi no X — anúncio do Particle-1 Fonte primária
- Suhail Doshi no X — resultados e preços Fonte primária
- Suhail Doshi no X — serviço de inferência na OpenRouter Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
