رونمایی از Particle-1؛ مدل کدنویسی جدیدی که مصرف توکن را ۴۵ درصد کاهش می‌دهد

مقدمه

مدل Particle-1 یک مدل هوش مصنوعی ایجنت‌محور و بهینه برای کدنویسی است که توسط شرکت Particle توسعه یافته است؛ استارتاپ جدیدی در حوزه زیرساخت استنتاج هوش مصنوعی که سهیل دوشی (Suhail، بنیان‌گذار پلتفرم Playground) آن را در تاریخ ۲۸ اکتبر ۲۰۲۶ معرفی کرد. این مدل با پس‌آموزش بر پایه DeepSeek V4.1 Flash ساخته شده است و ضمن حفظ سطح دقت مدل اصلی، به‌طور میانگین حدود ۴۵ درصد توکن کمتری مصرف می‌کند؛ در نتیجه تسک‌ها سریع‌تر به پایان می‌رسند و هزینه اجرای آن‌ها به‌مراتب کمتر می‌شود.

لینک‌های مرتبط: معرفی رسمی Particle-1 · پست رونمایی سهیل دوشی در شبکه اجتماعی X · دسترسی از طریق OpenRouter

بررسی جزئیات

نکات کلیدی

1. ماهیت و هدف پلتفرم Particle: این شرکت یک لایه استنتاج جدید برای مدل‌های هوش مصنوعی با وزن‌های باز ارائه می‌دهد که سریع، کم‌هزینه و پایدار است. رابط برنامه‌نویسی این پلتفرم علاوه بر مدل‌های DeepSeek V4.1 Flash و GLM 5.3 Flash، اکنون از Particle-1 به‌عنوان نخستین مدل اختصاصی این شرکت میزبانی می‌کند.
2. بهره‌وری در مصرف توکن: در بنچمارک‌های Terminal-Bench 2.1، ReactBench، ADE Bench و DeepSWE 1.1، مدل Particle-1 بین ۲۸.۴ تا ۵۲.۲ درصد توکن خروجی کمتری مصرف کرده و میانگین هزینه هر تسک را در مقایسه با مدل پایه DeepSeek V4.1 Flash حدود ۳۴.۴ تا ۵۱.۶ درصد کاهش داده است؛ در حالی که نرخ موفقیت در اولین تلاش (معیار pass@1) کاملاً در بازه اطمینان مدل پایه باقی مانده است.
3. آمارهای کلیدی مقایسه عملکرد: طبق نمودارهای رسمی Particle، هزینه اجرای هر تسک در این مدل به ۰.۲۲۱۱ دلار می‌رسد، در حالی که این رقم برای DeepSeek V4.1 Flash برابر ۰.۳۳۶۸ دلار و برای GLM 5.3 Flash برابر ۰.۶۵۲۳ دلار است. همچنین میانگین توکن‌های خروجی ۵۹٬۵۸۰ توکن (در برابر ۸۳٬۲۴۶ و ۹۸٬۱۵۵ توکن رقیبان) و نرخ موفقیت تسک‌ها ۷۲.۵۷ درصد (در برابر ۷۱.۱۵ و ۶۶.۸۲ درصد) ثبت شده است.
4. حفظ مهارت‌های عمومی: این مدل توانمندی‌های عمومی خود را نیز در سطح بالا حفظ کرده است؛ از جمله امتیاز ۹۰.۴۰ درصد در بنچمارک GPQA Diamond (در برابر ۹۰.۹۱ درصد مدل پایه)، امتیاز ۸۶.۰۰ درصد در آزمون Tau Airlines (در برابر ۸۸.۰۰ درصد) و امتیاز ۸۶.۰۸ درصد در سنجش MMLU (در برابر ۸۵.۹۸ درصد).
5. نحوه آموزش مدل: فرآیند آموزش با یادگیری تقویتی در محیط‌های اختصاصی برنامه‌نویسی و مهندسی داده انجام شده است. این ساختار بر پایه فرمت Harbor، داده‌های ترکیبی سیستم Datamaker و اجرای عامل Terminus 2 بنا شده و از روش یادگیری تقویتی مرحله‌ای (Cascade RL)، فریمورک متن‌باز Miles، تکنیک LoRA با رنک ۶۴ روی تمام کارشناسان مدل و الگوریتم GSPO برای به‌روزرسانی خط‌مشی‌ها بهره برده است.
6. حوزه تمرکز: نسخه اولیه این مدل منحصراً بر مهندسی نرم‌افزار متمرکز است، اما Particle قصد دارد در آینده مدل‌های اختصاصی دیگری را برای سایر حوزه‌ها نیز عرضه کند.

روش‌های دسترسی

نحوه استفاده

• رابط برنامه‌نویسی Particle: ثبت‌نام و دریافت کلید دسترسی در وب‌سایت particle.ai
• پلتفرم OpenRouter: با شناسه مدل particle-ai/particle-1
• درگاه هوش مصنوعی Vercel: با شناسه مدل particle/particle-1

کاربردهای ایده‌آل

• خطایابی، برنامه‌ریزی تغییرات کد و خرد کردن مسائل مهندسی چندمرحله‌ای
• ایجنت‌های ترمینال و مهندسی داده مانند پروژه‌های dbt
• ایجنت‌های کدنویسی پرتراکم که هزینه توکن در آن‌ها چالش اصلی است

نکته کاربردی

اگر در حال حاضر از مدل DeepSeek V4.1 Flash برای ایجنت‌های کدنویسی خود استفاده می‌کنید، می‌توانید در تسک‌های مشابه مدل Particle-1 را جایگزین کنید و کاهش چشمگیر هزینه‌ها و زمان پاسخ‌دهی را مستقیماً بسنجید.