Ny kodemodel skal spare penge ved at bruge færre ord

Det nye selskab Particle i San Francisco, som Suhail Doshi står bag, annoncerede den 28. oktober 2026 sig selv og sin første model, Particle-1. Modellen er lavet til softwareudvikling, altså at skrive og rette kode.

Particle-1 er ikke bygget fra bunden. Den er eftertrænet på DeepSeek V4.1 Flash (version 1017). Ifølge Particle er det sket med en såkaldt LoRA-adapter, en slags lille tilføjelse, der justerer en eksisterende model. Her dækker den omkring 1,25 procent af basemodellens parametre, altså de tal, som modellen består af.

Belønning for korte svar

Modellen er ifølge Particle trænet i interne miljøer, hvor den belønnes for at finde korrekte løsninger med så få tokens som muligt. Tokens er de små tekstbidder, en AI-model læser og skriver, og de er typisk det, man betaler for. Færre tokens betyder derfor normalt lavere regning.

Particle oplyser, at modellen i gennemsnit bruger omkring 45 procent færre tokens end DeepSeek-basismodellen på tværs af en bred vifte af opgaver. I selskabets tests på fire benchmarks (Terminal-Bench 2.1, ReactBench, ADE Bench og DeepSWE 1.1) brugte den 28,4-52,2 procent færre outputtokens. Gennemsnitsomkostningen pr. opgave var 34,4-51,6 procent lavere.

Ifølge Particles opsummering koster en opgave cirka 0,22 dollar med Particle-1 mod cirka 0,34 dollar med basismodellen. Det er cirka 34 procent lavere. Det fremgår ikke tydeligt, hvad tallene præcist bygger på.

Koster det på nøjagtigheden?

Particle siger, at andelen af løste opgaver ligger inden for basismodellens konfidensintervaller. Det betyder, at forskellen ikke ser ud til at være større end den almindelige usikkerhed i målingerne. Selskabet mener derfor ikke, at besparelsen går ud over kvaliteten. Ifølge Particle stammer omkring 90 procent af besparelsen på de fleste benchmarks fra reasoning-tokens, altså de tokens modellen bruger på at tænke sig frem til svaret.

Particle peger også på tidlige tegn på, at effekten rækker ud over kodning: på gennemgang af juridiske dokumenter brugte modellen 24,6 procent færre tokens.

Forbehold og planer

Alle tal kommer fra Particles egne tests, og det fremgår ikke, at andre har efterprøvet dem. Spændet på 34-52 procent betyder også, at besparelsen varierer mellem opgavetyper.

Particle-1 er tilgængelig via Particles API, en adgang som udviklere kan bruge til at koble modellen på egne værktøjer. Selskabet planlægger at udvide modellen til flere områder end softwareudvikling. Aravind Srinivas, Garry Tan og Aaron Levie har reageret på annonceringen på sociale medier.