编程 Agent 这个赛道，最近半年比的已经不是「谁更聪明」，而是「谁更省钱」。Particle AI 在 10 月 28 日悄悄上架的 Particle-1，就是把这个思路做到极致的产物：它不追求刷新 SWE-Bench，而是宣称用「显著更少的推理 token 和工具调用 token」完成同样的工程任务。
简单说，它的卖点不是更强，是更省。而省这件事，在长任务 Agent 场景里往往比强更重要——一个跑 200 轮的代码重构任务，token 消耗差 40%，账单就差 40%。
Particle-1 是什么
Particle-1 出自 Particle AI，是基于 DeepSeek V4.1 Flash 后训练（post-trained）的智能体编程模型。官方定位很明确：终端工作流（terminal workflows）、代码库改造（codebase changes）、数据工程任务。它不是通用聊天模型改的，而是从数学上就冲着「跑工具、改文件、看输出、再决策」这个循环去的。
目前它只在 OpenRouter 上架，由 Particle AI 自己独家托管，没有开源权重，也没有官方 benchmark 页面。这既是它最大的短板，也解释了为什么它能做到这个价格。
核心能力与规格
- 上下文 100 万 token：标准 1,048,576，足够塞进整个中型仓库的关键文件，不用反复做 RAG 召回。
- 单次输出上限 131,072 token：这是关键。很多模型号称长上下文，但输出卡在 8K，改一个大文件就得切好几轮。13 万输出意味着可以一次性重写整个模块。
- 多模态输入：text + image → text。截图报错、看 UI 稿写代码都能用。
- 完整工具调用：支持 tools、tool_choice、structured_outputs、response_format、seed，还有 reasoning 和 reasoning_effort 开关——可以按任务难度调推理强度。
- 缓存读取极便宜：$0.03 / 百万 token，是正常输入价的 1/8。
真实运行数据：比宣传更能说明问题
OpenRouter 上公开的实时指标，比任何 benchmark 都实在。截至发布后 24 小时：
| 指标 | 实测值 | 怎么读 |
|---|---|---|
| P50 吞吐 | 164 tok/s | 中等偏上，长任务不会等到烦 |
| P50 延迟 | 0.71 s | 首字响应快，交互体验接近本地 |
| P99 端到端延迟 | 72.5 s | 长推理时尾巴很长，要有心理准备 |
| 上线率（1 天） | 98.11% | 单一供应商，没有冗余路由 |
| 工具调用错误率 | 0.15% | 优秀，Agent 场景最看重这个 |
| 结构化输出错误率 | 20.32% | 明显偏高，这是真短板 |
| 缓存命中率 | 85.19% | 重复上下文几乎不再付费 |
那个 20.32% 的结构化输出错误率值得单独说：如果你要用它做 JSON 强约束的输出（比如让 Agent 直接产出配置、AST、数据库 schema），出错概率是五分之一。这个数字对生产系统来说不能忽视——需要在外层加重试和 schema 校验，别裸用。
但工具调用错误率只有 0.15%，说明它「该调什么工具」判断得准，问题出在「按格式吐出来」这一步。这两个数字放在一起，画像很清楚：会干活，但报告格式写得毛糙。
价格：账面 $0.25，实际 $0.06
挂牌价输入 $0.25 / 百万 token，输出 $1 / 百万 token。看着已经很便宜了，但真实的加权平均输入价是 $0.0619——因为 85% 的输入命中缓存，按 $0.03 计费。
这个组合在 Agent 场景里的威力被严重低估。Agent 的典型 token 分布是「输入占 90%，输出占 10%」，而且输入高度重复（系统提示、文件内容、历史工具结果）。按这个结构算，跑一个 100 万 token 的完整任务，实际成本大约在 $0.15 左右；同样的任务换到 $2/$10 档的旗舰模型，账单直接到 $2.8。差 18 倍。
和同类编程模型横向对比
| 模型 | 参数/来源 | 核心定位 | 输入价格/M | 本站评分 |
|---|---|---|---|---|
| Particle-1 | DeepSeek V4.1 Flash 后训练 | 省 token 的 Agent 编程 | $0.25 | 8.3 |
| Recursive Flint | 40B 开源权重 | 本地可跑的编程模型 | 自托管 | 8.2 |
| Kimi K3.1 Pro | 2.8T MoE 开源 | 旗舰级开源编码 | $2.00 | 8.6 |
| GPT-6.1 Terra | 闭源，电脑操作方向 | 端到端操作电脑 | $1.00 | 8.8 |
| DeepSeek V4 Pro | MoE 旗舰 | 它的「父本」 | 低价档 | 8.4 |
坐标系里它站在「性价比极端」那一端：能力上打不过 Kimi K3.1 Pro 和 GPT-6.1 Terra，但价格只有它们的 1/4 到 1/8。如果你在跑批量重构、CI 自动化修 bug、或者大规模代码扫描这类「要量」的活，Particle-1 的单位成本优势很难被抵消。
局限：三个必须先知道的事
- 没有公开 benchmark——官方只说「准确率接近基座模型」，没有具体数字。SWE-Bench 之类全靠第三方自己测。
- 单一供应商 + Private 隐私策略——OpenRouter 页面上明确标注隐私等级为 Private，意味着请求可能被用于训练或留存。企业代码千万别直接喂。
- 结构化输出不稳——20.32% 的出错率，做工具链要用 JSON 模式的话必须准备降级方案。
- 无开源权重——想私有化部署只能回头用 Recursive Flint 这类开源模型。
综合评分
| 维度 | 评分 | 评价 |
|---|---|---|
| 功能完整度 | 8.5 / 10 | 1M 上下文 + 131K 输出 + 完整工具链，配置齐全 |
| 易用性 | 9.0 / 10 | OpenRouter 直连，一个 API key 就能用，无需自建 |
| 性价比 | 9.5 / 10 | 实测加权输入 $0.06/M，这个价位没有对手 |
| 中文支持 | 7.5 / 10 | 继承 DeepSeek 血统，中文尚可但非优化重点 |
| 输出质量 | 7.8 / 10 | 代码可用性强，但结构化输出错误率拖后腿 |
综合评分：8.3 / 10
推荐给：跑批量代码任务的团队、CI 里做自动修复的工程组、以及成本敏感的独立开发者。不推荐给：需要严格 JSON schema 输出、或者代码不能出内网的企业。
常见问题（FAQ）
Particle-1 免费吗？
不免费。输入 $0.25 / 百万 token，输出 $1 / 百万 token，缓存读取 $0.03。但要注意缓存命中率高时，实际加权输入价只有约 $0.06/M，真实花费比挂牌价低很多。
Particle-1 和 DeepSeek V4.1 Flash 是什么关系？
Particle-1 是在 DeepSeek V4.1 Flash 基础上做后训练（post-training）得到的专用模型，重点优化了 token 效率——用更少的推理步骤和工具调用完成工程任务。可以理解为「同一个底盘，换了一套更省油的变速箱」。
Particle-1 能本地部署吗？
不能。目前没有开放权重，只能通过 OpenRouter 调用 Particle AI 的托管服务。需要私有化部署的话，建议看开源方案，比如本站评测过的 Recursive Flint 或 Kimi K3.1 Pro。
它适合接进 Claude Code 或 Cursor 这类工具吗？
可以用，走 OpenAI 兼容接口即可。但它没有开放缓存写入控制，长会话的成本优势依赖服务端自动缓存，接入第三方工具时未必能吃到 85% 的命中率。
Particle-1 和 GPT-6.1 Terra 该选哪个？
要质量选 GPT-6.1 Terra，要成本选 Particle-1。Terra 在复杂推理和电脑操作任务上更稳，价格是它的 4 倍；Particle-1 适合量大的重复性工程任务，不适合需要一次做对的精细活。
总结
Particle-1 的定位很聪明：不跟旗舰模型硬拼能力，而是把「Agent 编程的边际成本」压到行业最低。1M 上下文配 131K 输出、0.15% 的工具调用错误率、85% 缓存命中——这三个数字叠起来，批量代码任务的经济账就完全不一样了。
但它不是全能选手。没有公开 benchmark、结构化输出不稳、不能私有化，注定了它只能当「跑量的劳动力」，而不是「做决策的主力」。用对了场景，它是目前最便宜的靠谱编程 Agent；用错了场景，你会在重试和校验上把省下的钱还回去。
想发现更多好用的 AI 工具？查看我们的 AI 模型库 与 工具对比引擎，或继续阅读：Recursive Flint 评测 · MiniMax M3 评测 · 小米 MiMo Code 评测 · Cursor 深度评测。