AREX Feed Article
Particle-1 上线 OpenRouter：Particle 自报四项编程基准输出 token 较 DeepSeek V4.1 Flash 少 28%～52%
北京时间 10 月 29 日清晨（UTC 时间 10 月 28 日 22 时 01 分），OpenRouter 官方账号宣布：Particle API 的模型 Particle-1 现已上线 OpenRouter。帖文以「Fewer tokens, same work」（更少的 token，同样的工作）开头，转述 Particle 自报的数据——在四项编程（coding）基准上，Particle-1 的输出 token 比 DeepSeek V4.1 Flash 少 28%～52%。
这组对比目前全部出自 Particle 的单方口径，OpenRouter 在帖文里以「per Particle」标注。四项基准的名称与成绩并不在主帖里：OpenRouter 旗下新账号 @ModelsOnOR 的列出 Terminal-Bench 2.1、ReactBench、ADE Bench 和 DeepSWE 1.1，Particle 也在公布了训练方法与完整成绩。
主帖没给基准名，基准名在 13 分钟前的另一条帖里
上线消息实际由两条帖子先后发出。 于 21 时 48 分（UTC）发帖宣布 Particle-1 上线，称它是在 DeepSeek V4.1 Flash 上做后训练（post-training）的省 token 编程模型，Particle 自报平均少用约 45% token、准确率接近基线；其列出四项基准名称，并给出「单任务成本较 DeepSeek V4.1 Flash 低 34%～52%」的说法。约 13 分钟后，于 22 时 01 分发出上线帖，转述的 28%～52% 对应的正是这四项基准；主帖本身没有基准名称、成绩、定价、参数规模或上下文长度。OpenRouter 在主帖下的唯一是推广：「去关注我们的新账号 @ModelsOnOR，获取 OpenRouter 模型上线的最新动态！」
发帖约两小时后，主帖有 52 个赞、约 1.1 万次浏览和 10 条回复（发稿时抓取的数据）。
在 DeepSeek V4.1 Flash 上做强化学习后训练，只动约 1.25% 的参数
Particle 在中说明：Particle-1 以 DeepSeek V4.1 Flash 为基座做后训练，训练目标是「用更少 token 解对题」，方法是在自建强化学习（RL）环境里训练——任务以 Harbor 格式构建，由内部合成数据系统 Datamaker 生成，模型通过 Terminus 2 代理（agent）解题并验证结果。
后训练分两个阶段，先编程、后编程加数据工程，采用 Cascade RL 方法。博客给出的一个细节是：尽管阶段一只用编程任务训练，结束时模型在数据工程任务上已经少用约 20% token，Particle 称这是最早的泛化迹象。参数改动很小：一个覆盖所有层专家的 rank-64 LoRA（low-rank adaptation，低秩适配）适配器，可训练参数约等于模型参数量的 1.25%；博客未披露基座模型的参数规模，OpenRouter 页面也未列出。训练栈基于 RadixArk 开源的 RL 框架 Miles，并对 SGLang 推理引擎和 Megatron 训练引擎做了吞吐优化。
OpenRouter 对模型的描述是：适用于终端工作流、代码库改动和数据工程任务。Particle 表示首个版本专注软件工程，后续计划扩展到其他领域。
Particle 博客的精确区间与三模型对比
博客把区间精确到小数点后一位：在这四项基准上，Particle-1 的输出 token 比 DeepSeek V4.1 Flash 少 28.4%～52.2%，平均单任务成本低 34.4%～51.6%；Pass@1（首次尝试即通过的比例）成绩落在基线模型的置信区间内。以下数字均为 Particle 自报。
博客汇总图给出三个模型的对比：平均每任务输出 token，Particle-1 为 59,580，DeepSeek V4.1 Flash 为 83,246（约 1.4 倍），GLM 5.3 Flash 为 98,155（1.6 倍）；单任务成本依次为 $0.2211、$0.3368 和 $0.6523；任务通过率为 72.57%、71.15% 和 66.82%。博客开头提到的「平均少用约 45% token」是跨多种任务的平均口径，与四项基准上的区间不是同一个统计。
为说明准确率没有明显下降，博客另列了训练域之外的通用基准：GPQA Diamond 90.40%（基线 90.91%）、Tau Airlines 86.00%（基线 88.00%）、Standard MMLU 86.08%（基线 85.98%）、BabyVision with tools 89.18%（基线 89.60%）。
省下的 token 九成是推理文本，压缩过头会掉成绩
Particle 对同一任务、同一随机种子的模型轨迹做了对比，归纳出四种省 token 的模式：同样的动作少推理；验证完成后不再反复确认；更少轮次的试错与修补；探索和验证更聚焦。按其统计，在 Terminal-Bench 2.1、ReactBench 和 ADE 上，推理（reasoning）文本贡献约 90% 的节省；在任务更长的 DeepSWE 1.1 上，工具调用文本也贡献了约 30%。
博客给出的例子是 Terminal-Bench 2.1 的 Git 部署任务：Particle-1 输出 15,892 个 token，比基线的 47,006 少 66.2%，其中推理文本从 43,907 降到 14,840，最后两次确认调用从 11,445 降到 1,765，两次运行都成功验证了分支部署。
省 token 的边界也写在同一篇博客里。在一个来自 Harvey LAB 的合同审查任务上，标准强度（1 倍）的适配器让输出少 24.6%，8 份报告全部通过检查；把强度调到 8 倍，输出再减 78.7%，但 8 份报告只有 3 份通过严格检查——Particle 自己的结论是，过度压缩会把有用的限定条件连同冗余分析一起压掉。
$0.25/$1 每百万 token、105 万上下文，单一供应商直连
在 OpenRouter 上，Particle-1 定价为每百万 token 输入 $0.25、输出 $1.00，缓存读取 $0.03，上下文 1.05M。该模型只有一家供应商（Particle AI 本身），OpenRouter 直接转发请求、不做路由选择。的实时统计显示：P50（中位数）延迟 0.69 秒，吞吐每秒 186 个 token，近三日可用性 98.69%；该模型目前不支持欧盟区域内路由（EU in-region routing）。
供应商页统计 Particle AI 已在 OpenRouter 处理 6.77 亿个 token（截至 10 月 29 日 UTC 的页面数据）。除 OpenRouter 外，Particle-1 也可以直接通过 Particle API 调用。
回帖追问长任务账单，OpenRouter 与 Particle 未回应
主帖下的回复集中在对口径的追问。 写道：「输出 token 少 28%～52%。但在 100 轮的编程循环里，账单大头仍是每一步都要重发的上下文。」 想看「长任务在重试之后」的节省幅度； 说图表只显示 token，希望旁边能看到准确率数字——Particle 博客的汇总数据里附有通过率和通用基准成绩，但主帖没有给出任何成绩。
截至发稿，这些追问之下没有 OpenRouter 或 Particle 的回应。Particle 的 创建于 2026 年 8 月，至今没有发布过任何帖子；公开可见的成绩数字只有两处出处——Particle 自家的博客，和 OpenRouter 帖文的转述。在第三方复核出现之前，这些降幅仍是 Particle 一家的自报数据。