Particle-1 發表：少用約45% token，程式代理真的更省錢嗎？

程式代理修好功能後，有時還會反覆檢查和寫長報告。這些步驟可能有用，也可能只是讓同一件事多花時間與費用。

Particle 在2026年10月28日發表 Particle-1，選擇從減少這類輸出下手。它以 DeepSeek V4.1 Flash 後訓練，這次主要面向軟體工程。

公司公布四項測試，輸出 token 減少28.4%至52.2%，首次嘗試的成功率與基礎模型的信賴區間重疊。Token 是模型處理文字的計量片段，不等於中文字數。

但較短的推理，不會自動證明所有交付都保留。官方案例也顯示，過度壓縮可能省掉有價值的限制或檢查。

已有固定程式工作與測試的團隊，可以把它列入比較。若沒有正確答案與驗收依據，就不宜只憑少用約45% token 決定換模型。

要知道節省是否值得，得先分清模型改了什麼、測試怎麼計分，以及每次使用按什麼價格收費。

Particle-1 如何讓程式代理少花輸出？

它改變的是解題過程的輸出習慣，並非只把最後答案截短。Particle 希望模型在完成工作時，同時減少不必要的推理和工具呼叫文字。

依官方研究文章，團隊用內部建立的程式與資料工程環境後訓練模型。後訓練指在既有模型之後，繼續調整它處理特定工作的方式。

訓練的回饋同時考量是否解決問題，以及使用多少 token。因此，目標不是要求模型少說幾句，而是讓它用較直接的路徑完成可驗證工作。

官方整理的案例包含較早開始修改、減少反覆修補，以及完成後少花時間重新確認。這些是公司對實驗紀錄的分析，本刊沒有重跑相同任務。

例如，一個行事曆排程案例中，兩款模型都用四次模型呼叫和六個命令，完成正確的事件檔案。動作數相同，節省主要發生在正確檔案已寫好之後的推理與確認。

這個例子說明，輸出少不一定代表工具用得少。若只是結尾確認變短，對某些團隊可能有價值，但對需要詳細交接紀錄的工作，還要看哪些內容被保留下來。

其他案例則是少做幾輪修補後，模型呼叫也跟著減少。這兩種節省不一樣，所以不能由同一個 token 總量，推算每件工作的等待時間都會下降多少。

官方的 pMARS 編譯案例提供了另一種情況：Particle-1 先查看建置設定，再選參數執行。基礎模型則重新確認參數、重建並重做安裝檢查，模型呼叫從十八次變成十二次。

這裡減少的是額外往返，和只縮短最後報告不同。若自己的任務也經常卡在重複嘗試，就值得檢查模型是否較早取得正確回饋，而不只要求它把文字寫得精簡。

少寫推理能省多少，還要和相同任務的成功與交付一起看。

四項測試的節省，哪些條件必須一起讀？

公司公布的節省來自固定代理環境，不是所有工作每次都少45%。比較前，應先看測試要求模型完成哪一種事情。

Terminal-Bench 2.1 考終端機工作，例如編譯或設定系統。ReactBench 看網頁應用的建立與修正，ADE Bench 則包含資料工程，DeepSWE 1.1 面向較長的程式專案任務。

這些用途比單次問答接近工程工作，但仍是選定題組。公司公布，四項測試相較 DeepSeek V4.1 Flash，平均輸出減少28.4%至52.2%，每任務成本下降34.4%至51.6%。

「首次嘗試成功率落在基礎模型的信賴區間內」，表示這次測量無法用該區間清楚區分差距，不能直接改寫成任何任務品質完全一樣。信賴區間反映樣本估計的不確定範圍。

失敗的嘗試也要放進成本

官方每題產生十六次嘗試，平均成本包含失敗。因為真實工作也可能重試，這比只挑成功的一輪更能說明測試中的完整代價。

測試使用相同的 Terminus 2 代理、最高推理設定與512k token 額度，並採固定取樣參數。Terminal-Bench 2.1 另排除 fastText 題，因此不應和採不同題目或代理的成績直接拼在一起。

成本估算還固定95%的快取命中率。快取是重複輸入可以用較低價格處理的安排。若自己的工作每次帶進大量新資料，實際命中情況就可能不同。

測試中的成功也有明確終點。例如，功能題可能以自動檢查是否通過計分，卻不一定要求產出團隊習慣的維護說明。若新增交付條件，就應把它視為另一組比較，不能假設原成績原封不動適用。

所以，這組資料提供的是有條件的比較線索。團隊可以保留它的任務設計和方法，卻不能把公布的平均節省直接乘到自己的所有帳單上。

計算方式清楚後，才能把測試成本和實際程式服務帳單分開。

評測用的價格，和今天 API 費率一樣嗎？

官方評測腳註與現行模型目錄使用不同價格，不能混成同一筆節省。API 是讓程式呼叫模型服務、送出要求並取得回應的介面，實際付費仍以所用服務的條件為準。

截至2026年10月30日查詢，Particle 模型目錄列出 Particle-1 的輸入、快取輸入與輸出單價。以下同時列出研究文章計算測試成本採用的數值。

表中兩列回答不同問題。第一列用來理解目前服務收費。第二列說明研究如何算出每題平均成本，不能把它稱為使用者今天一定拿到的價格。

評測中 Particle-1 與 DeepSeek 採同一組單價，因此模型花更少 token，會在那個假設下轉成較低成本。但使用其他供應商、不同快取條件或新價格時，應重新計算。

例如，若工作主要是短輸入、長推理，輸出量的變化可能較重要。若每次都帶入大量新程式碼，輸入成本與快取命中就需要一起看，不能只比較一個輸出價格。

快取輸入也不等於模型記得先前所有對話。它是服務計量與重複內容處理的安排，工作仍需要送入必要材料。若把版本改過的檔案和舊檔混在一起，即使快取較便宜，也無法代替資料正確性。

任務是否需要重做，也會影響費用。一次輸出很省，卻因漏掉交付要求而多跑一輪，完整成本就可能和單次比較不同。

因此，採用時應記錄同一件工作從開始到可交付的總用量，再對應當時單價。這樣才能把較短的回答，轉成可核對的節省。

即使單位價格合適，實際串接仍有上下文和輸出限制。

長上下文與圖片輸入，能怎麼接進既有工作？

API 提供文字、圖片輸入與工具呼叫，但相容介面不代表所有輸出契約都獲保證。團隊需要確認自己的程式如何接收結果，再決定能否替換原有服務。

官方目錄列出的上下文為1,048,576 token，包含提示和生成內容的合計。上下文可理解為模型這次能處理的工作材料，並不是另外再送一百萬字仍能無限回答。

未指定限制時，預設輸出上限為32,000 token。明確要求的輸出仍有131,072 token 上限。大容量能放進較多程式碼，但不能單憑容量保證模型找對每個檔案。

這次支援文字與圖片輸入、文字輸出，並沒有把音訊或影片當成同樣的輸入。若工作要分析畫面，可以送相容圖片，卻不能據此把任意錄影直接當成已支援。

工具呼叫則讓模型提出程式可執行的操作。應用還要負責解析、執行與回傳結果，因此介面接通，不等於修改檔案或跑測試的整段流程都已完成。

官方也沒有宣告嚴格的 JSON schema 保證。JSON 是程式常用的結構資料格式，schema 則規定欄位與型別。若流程依賴固定欄位，就應保留解析與驗證。

這些限制未必阻止採用，但會影響需要補哪些整合。它目前提供 API 服務，不能從後訓練來源是開放模型，推論 Particle-1 權重也已公開可下載。

格式能接上後，還得檢查較短流程有沒有省掉需要的工作。

壓縮得更強，為什麼可能漏掉有用的確認？

減少冗餘與省略必要細節，有時只差在交付要求是否明確。官方資料裡也保留了壓縮帶來取捨的例子，不能只挑最大節省數字。

公司以一組研究報告工作比較不同強度。標準設定的八份報告都通過兩個評審的全部條件，但在更強的8倍設定下，只剩三份通過嚴格檢查。

這裡的強度是該實驗的調整，不是一般使用者今天可直接選的產品檔位。它顯示壓縮到更激進時，有用的限定與說明也可能一起變少。

程式案例同樣需要看解法。一個資料主鍵任務中，兩款模型採用了不同生成方式，省下的內容不只是同一個答案講得更短，也包含不同解法帶來的工作差異。

如果只看兩輪都通過某個測試，可能還沒注意到後續維護的人會接到什麼。測試能檢查已定義的條件，沒有被寫進要求的交付內容，仍可能在比較中消失。

對閱讀程式紀錄的人，還可以分開看探索與修改。模型若先在錯誤目錄反覆套用補丁，後面的修補其實是在處理自己引入的問題。官方網頁案例中，減少這類補丁修復也是用量下降的來源。

因此，好的比較應說明錯誤從哪裡開始，並確認最後的程式仍符合原要求。單獨刪掉失敗紀錄會讓報告變短，卻不會讓工作本身更有效率，還可能讓後續維護少了判斷依據。

這不是說檢查越多越好，而是要把必要檢查講清楚。例如修正錯誤後，需要保留重現方式、測試結果和修改範圍，才能讓接手者知道已完成哪些事。

這些差別讓完整驗收，比單看 token 總數更能支持採用。

用同一張需求單比較完整交付，再決定替換

我建議固定一個錯誤、測試與交付內容，觀察節省是否仍留下可接手的成果。以下是比較方法，並非本刊已完成的效能測試。

可以選一項已能穩定重現的程式問題，讓兩款模型取得同一版檔案與相同工具。要求修正問題，也列出不能破壞的功能，避免兩者對工作終點有不同理解。

比較時，先看修改是否解決原問題，再看回歸檢查。回歸指原本可用的功能是否被改壞，這比單純確認程式能編譯，更接近交付要求。

最後再保存總耗時、輸入與輸出用量，以及人工補修的原因。若較短的流程每次都漏同一段說明，就能判斷應補要求，還是模型不適合這類工作。

只有成果與限制一起保留，較少輸出才會變成能採用的效率。如果也考慮自己訓練模型，可以搭配閱讀固定任務的資料與測試如何安排。

延伸閱讀：Overmind 公開小模型訓練示範：客服分類 36.7% 到 84%，如何驗證再換模型？

若要比較不同服務的長任務，還應區分現在能用的API，以及後續權重是否已公開，避免在不同取得條件下比較成本。

延伸閱讀：Kimi K3.1 Pro 發布：百萬 Token 與開放時間，完整權重仍要等到 11 月

Particle-1 常見問題

少約45% token，代表每件工作都會快45%嗎？

不代表。這是公司的平均輸出用量宣稱，實際時間還包含模型運算、工具執行、等待與重試，不能由 token 比例直接推算。

可以直接下載 Particle-1 權重嗎？

本次官方提供的是 API 服務，沒有在這些資料中公布可下載權重。基於 DeepSeek 後訓練，不等於衍生模型也以相同方式公開。

評測成本能直接當成我的帳單嗎？

評測使用固定單價與95%快取命中率，現行模型目錄又有不同價格。自己的用量、快取與供應商條件需要另外核算。

少做幾輪確認一定比較好嗎？

要看省掉的是重複工作還是必要交付。先定義測試和接手資料，再檢查完整成果，比要求模型盡可能短更有用。

有可驗收的程式任務，才適合比較這種效率

Particle-1 提供了一條以後訓練減少解題冗餘的路線。對已有固定程式工作與測試的團隊，這比單純追求更大的模型，多了一個可以比較的方向。

採用前，把成功、完整交付和費用放在同一張需求單上。若成果能保留、成本也確實降低，再考慮擴大使用，會比只看回答變短更有依據。

歡迎免費訂閱 AI 郵報，持續追蹤模型效率、代理工作與實際使用條件。

資料來源

• Particle 官方發布與研究。
• Particle 官方模型目錄。
• Particle 官方資料保留說明。
• 創辦人原始服務發布貼文。