Particle-1

Fiche modèle · Particle AI · particle-1

Particle-1 is Particle AI's first model, a reinforcement-learning post-train of DeepSeek V4.1 Flash (rank-64 LoRA over the experts in all layers, trained with GSPO in Cascade RL stages on internal coding and data-engineering environments). It targets agentic software engineering and is tuned to solve tasks with fewer tokens: Particle reports 28.4% to 52.2% fewer output tokens and 34.4% to 51.6% lower cost per task than the base model on Terminal-Bench 2.1, ReactBench, ADE Bench, and DeepSWE 1.1, with pass@1 within the base model's confidence intervals (72.57% aggregate task pass rate vs 71.15% for DeepSeek V4.1 Flash). Text and image input, text output, reasoning with effort control, OpenAI-compatible tool calling, 1,048,576-token context and 131,072 max output tokens. Weights are not released; it is available through the Particle API and OpenRouter (particle-ai/particle-1) at $0.25 input, $0.03 cached input, and $1.00 output per million tokens (peak; off-peak 50% off, 20:30 to 04:00 America/New_York).

Fiches modèles

Identité

Organisation	Particle AI
Pays	—
Famille	—
Type	llm
Date de sortie	2026-10-28
Licence	proprietary
Licence commerciale	non
Licence open source	non
Poids ouverts	non
Auto-hébergement (DGX Spark)	non — poids fermés
Modalités	image\|text
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	—
Paramètres actifs (session)	—
Source des paramètres actifs	—
Curation des paramètres actifs	—
Prix par session	0.45 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	3.78 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-10-29T18:18:28.442282Z
Mis à jour le	2026-11-04T06:05:14.440433Z
Source	LLM Stats
URL	https://llm-stats.com/models/particle-1

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : inconnu.

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
Particle AI	llm-stats	inconnu	0.25 $	1.00 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.90
legal	0.90
math	0.90
multimodal	0.90
physics	0.90
reasoning	0.90
finance	0.90
general	0.90
healthcare	0.90
biology	0.90
chemistry	0.90
vision	0.90

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
babyvision	vision	0.89	1.00	0.89	non	oui	2026-11-04T06:05:14.450282Z
gpqa	reasoning	0.90	1.00	0.90	non	oui	2026-11-04T06:05:14.444134Z
mmlu	general	0.86	1.00	0.86	non	oui	2026-11-04T06:05:14.447128Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
multimodal	49	0.90	27.78	1	trueskill	2026-11-04T08:08:46.488887Z	rankings

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04