Una startup appena nata, Particle, ha presentato il suo primo modello: Particle-1, una versione di DeepSeek V4.1 Flash addestrata con un unico obiettivo: usare meno token per completare un compito. La società, fondata da Suhail Doshi, cofondatore di Mixpanel, dichiara di aver ridotto la quantità di token prodotti del 45% in media, mantenendo invariate le prestazioni.
Il punto chiave è il costo. Quando si paga per token, un modello che arriva allo stesso risultato con meno token equivale a un prezzo più basso, senza bisogno di trattare sullo sconto. Secondo Particle, su quattro benchmark di programmazione il costo medio per attività scende da 33,7 a 22,1 centesimi di dollaro, con prezzi identici a quelli del modello di base. Il tasso di successo passa dal 71,15% al 72,57%, una differenza entro i margini di confidenza.
Immagine: particle.ai — https://particle.ai
Dove vanno a finire i token risparmiati? Particle indica soprattutto il ragionamento interno, che incide per circa il 90% del risparmio nei test su Terminal-Bench 2.1, ReactBench e ADE Bench. Un esempio riportato dall'azienda è un'attività su calendario: entrambi i modelli compiono le stesse quattro chiamate e sei comandi, ma la parte di conferma finale cala da 5.193 a 1.078 token. L'azienda ammette anche un limite: in un caso di ADE Bench il modello ha riutilizzato una macro esistente invece di costruirne una nuova, quindi il risparmio non riflette sempre lo stesso lavoro fatto in modo più breve.
Il dato più interessante è il compromesso. Particle ha provato a spingere l'adattatore a intensità maggiori su un compito di revisione contrattuale. Alla potenza usata nella versione rilasciata, tutti gli otto report superano i criteri; oltre quel punto il risparmio cresce, ma cala la qualità delle risposte. A intensità 8x i token si riducono del 78,7%, però solo tre report su otto restano validi. L'azienda stessa scrive che la compressione eccessiva elimina anche le qualificazioni utili.
Le cifre arrivano tutte dall'azienda e non sono ancora state ripetute da laboratori esterni. Anche il prezzo su OpenRouter è più alto di quello del modello originale su DeepSeek: 0,25 dollari per milione di token in input e 1,00 in output, contro 0,15 e 0,60 in fascia notturna. Chi sceglie dove acquistare, quindi, determina gran parte del risparmio reale.
Sul piano tecnico, Particle-1 non è un modello nuovo ma un adattatore LoRA di rango 64, che corrisponde a circa l'1,25% dei parametri, addestrato con apprendimento per rinforzo in ambienti di programmazione costruiti dall'azienda. La premialità del training favorisce la soluzione del compito con meno token di ragionamento. Il modello è disponibile tramite API proprietaria e OpenRouter, con una finestra di contesto da oltre un milione di token. Il costo dei token è già sceso sensibilmente: ad agosto DeepSeek V4 Flash 0731 costava il 60% in meno di GPT-5.6 Luna nei test agentici. Per ora i pesi non sono pubblici: al momento della pubblicazione non risultava alcun repository su Hugging Face.
L'azienda lo presenta come il primo passo di una serie di modelli per sviluppatori. Chi lavora con agenti di coding dovrà verificare sui propri carichi se il risparmio regge.
Ancora nessun commento. Puoi essere il primo!