Particle-1 在 Real SWE 基准减少 43% token 并保持同等性能

Particle-1 在 Real SWE 代码基准测试中实现了高效率突破，在和对比模型保持完全一致问题解决率的前提下，整体输出 token 数量直接减少 43%，既保住了模型原有代码开发能力，又大幅降低调用成本、缩短任务执行耗时，是兼顾性能与运行效率的代码类大模型优化方案，能够直接降低企业代码智能体的 API 调用开销。之所以可以做到 token 大幅缩减且性能不缩水，核心是研发团队采用强化学习后训练方案，只微调少量模型参数，重点优化模型输出逻辑，砍掉冗余文字、重复校验与多余文档内容，只保留解决代码问题的核心内容；同时团队针对 Real SWE 这类软件工程任务做定向优化，让模型减少多轮反复修改，一次性输出精简有效的代码方案，不会产生无效 token 消耗。整套模型优化落地分为三个执行步骤，第一步选定 DeepSeek V4.1 Flash 作为基础模型，锁定 Real SWE 基准作为核心测试目标；第二步搭建专属强化学习环境，用大量软件工程任务样本做迭代训练，引导模型精简输出文本；第三步在 Real SWE 基准开展多轮重复评测，持续调校模型输出策略，把 token 消耗量稳定降低 43%，同时保证 pass@1 通过率和基座模型持平。整套优化落地之后，Particle-1 可以在不降低代码解题能力的前提下，大幅缩减单次调用的 token 用量，降低软件开发场景下的模型使用成本，提升代码智能体的运行速度。

一、Real SWE 基准实测核心数据

1. 核心指标对比清单

• 任务通过率：Particle-1 与基线模型保持一致，达到同等性能水平
• 输出 token 量：Particle-1 相比基线模型减少 43%
• 单次调用成本：随 token 缩减同步下降，整体支出明显降低
• 任务耗时：更少输出内容，代码交付速度更快

1. 测试环境说明

• 评测基准：Real SWE 软件工程真实任务榜单
• 测试工具：Terminus 2 智能体框架，统一测试轮次
• 对比对象：DeepSeek V4.1 Flash 基础模型

二、模型实现 token 精简的技术手段

1. 后训练优化 采用定向强化学习，仅微调约 1.25% 参数，不改动模型基础推理能力，只优化输出行文逻辑。
2. 输出内容裁剪 剔除冗余注释、重复自查、多余文字说明，只保留可直接运行的代码与必要修改说明。
3. 任务轮次优化 减少多轮迭代修改，提升一次性代码方案成功率，降低多次调用带来的额外 token 开销。

三、多基准下 token 优化效果汇总

表格

【相关 FAQ】

问题 1：Particle-1 在 Real SWE 基准减少 43% token，会不会造成模型性能下降？

回答 1：Particle-1 在 Real SWE 基准减少 43% token 之后，依然保持和基线模型同等的解题通过率，性能没有出现下滑，只是精简了冗余输出内容。

问题 2：Particle-1 实现 Real SWE 基准 token 缩减 43%，依靠的是什么技术方案？

回答 2：Particle-1 依靠强化学习后训练方案，只微调少量参数，针对软件工程任务优化输出逻辑，减少多余文字与反复修改，最终在 Real SWE 基准实现 43% 的 token 节省。

问题 3：Particle-1 在 Real SWE 基准省下 43% token，能带来哪些实际使用收益？

回答 3：Particle-1 在 Real SWE 基准省下 43% token，可以直接降低 API 调用费用，缩短代码生成等待时间，让代码智能体在同等预算下处理更多开发任务。

【数据来源】

[2026-10-30]（Particle-1 Real SWE 基准实测结果）InfoQ

[2026-10-28]（Particle-1 模型发布与技术细节）Particle 官方博客

[2026-10-28]（Particle-1 多代码基准评测数据）AI/TLDR 科技资讯平台

免责声明：本文内容全部来自公开评测与官方发布信息，不构成模型采购与技术选型建议；Particle-1 在 Real SWE 基准的 token 缩减比例与性能数据，以官方后续更新的实测结果为准。