Por Redacción Pangea IA · 29 de octubre de 2026
La startup Particle ha presentado Particle‑1, un modelo para agentes de programación que intenta resolver tareas usando menos razonamiento y menos llamadas a herramientas. La empresa asegura que consume entre un 28,4 % y un 52,2 % menos de tokens de salida que DeepSeek V4.1 Flash en cuatro bancos de pruebas. El ahorro puede ser relevante para equipos que ejecutan agentes de forma continua, aunque los resultados todavía no han sido reproducidos de manera independiente.
Qué es Particle‑1
Particle‑1 es un postentrenamiento de DeepSeek V4.1 Flash orientado inicialmente a ingeniería de software y datos. No parte de un modelo creado desde cero: Particle ha aplicado aprendizaje por refuerzo sobre el modelo de DeepSeek para premiar dos comportamientos a la vez, completar correctamente la tarea y utilizar menos tokens de razonamiento y de llamadas a herramientas.
La idea responde a un coste cada vez más visible. Un agente que programa no solo genera código: inspecciona archivos, explica planes, ejecuta comandos, corrige errores, vuelve a comprobar resultados y redacta una respuesta final. En tareas largas, parte de ese recorrido puede convertirse en deliberación redundante. Particle quiere que el modelo llegue antes a una solución y se detenga cuando ya la ha verificado.
El modelo se ofrece mediante API y cuenta con una ventana de contexto de alrededor de un millón de tokens, según los catálogos de Vercel y OpenRouter. No se han anunciado pesos descargables. Para entender la base sobre la que trabaja, Pangea IA ya analizó las diferencias entre DeepSeek V4.1 Flash y V4 Pro.
El ahorro que declara Particle
La compañía probó Particle‑1 en Terminal‑Bench 2.1, ReactBench, ADE Bench y DeepSWE 1.1. Son evaluaciones que abarcan operaciones en terminal, creación y reparación de aplicaciones React, ingeniería de datos y cambios prolongados sobre repositorios. En esos ensayos internos, Particle comunica una reducción de entre el 28,4 % y el 52,2 % de tokens de salida y un coste medio por tarea entre un 34,4 % y un 51,6 % inferior al del modelo base.
La tasa de éxito quedó dentro de los intervalos de confianza de DeepSeek V4.1 Flash. La lectura prudente no es que Particle‑1 programe mejor, sino que en esas pruebas habría alcanzado un resultado comparable con menos recorrido. La propia empresa atribuye cerca del 90 % del ahorro en tres de los bancos a una cadena de razonamiento más corta.
Dónde recorta pasos
Particle identifica cuatro patrones: deliberar menos antes de realizar la misma acción, detenerse tras completar la tarea, reducir ciclos de prueba y reparación y concentrar la exploración en menos alternativas. En un ejemplo de despliegue con Git, ambos modelos llegaron a una solución, pero Particle‑1 redujo gran parte de la explicación y las comprobaciones finales. En otro ejercicio de calendario, los dos hicieron el mismo número de llamadas y comandos; la diferencia procedía sobre todo de una confirmación final mucho más breve.
Ese detalle importa. Menos tokens no significa necesariamente una arquitectura más inteligente: a veces significa menos repetición después de haber acabado. También existe el riesgo contrario. Una respuesta demasiado escueta puede omitir pruebas adicionales, documentación o casos límite que sí aportaban valor. El ahorro debe medirse junto con la calidad del cambio y no solo con el tamaño de la salida.
Qué puede ahorrar una empresa
El beneficio potencial aparece cuando se multiplican los intentos. En una prueba aislada, unos miles de tokens rara vez cambian un presupuesto. En un servicio que mantiene decenas de agentes revisando incidencias, generando parches o actualizando datos durante todo el día, reducir un tercio del coste por tarea puede convertirse en una partida mensual apreciable.
Una pyme podría emplearlo para automatizar cambios repetitivos en una web, preparar transformaciones de datos o resolver incidencias sencillas antes de que intervenga una persona. Un equipo de producto podría usarlo como agente de primera pasada y reservar modelos más caros para revisiones complejas. El enfoque complementa herramientas de orquestación como Copilot Fusion, que elige modelos distintos para programar y revisar.
Sin embargo, el precio por millón de tokens no es idéntico en todas las fuentes. El artículo técnico de Particle publica una tarifa de 0,30 dólares por millón de tokens de entrada sin caché y 1,20 por millón de salida. OpenRouter mostraba en el momento de la consulta 0,25 y 1 dólar, respectivamente. La diferencia puede depender del proveedor o de una tarifa promocional. Antes de presupuestar, conviene comprobar el precio vigente en la ruta que se vaya a utilizar y calcular coste por tarea con el porcentaje real de caché del proyecto.
La gran cautela: todavía no hay verificación independiente
Los porcentajes de ahorro proceden de Particle, que además diseñó el postentrenamiento y ejecutó las pruebas. Los catálogos independientes confirman la fecha de lanzamiento, la disponibilidad, el contexto y el precio publicado, pero no reproducen el rendimiento. LLM Benchmark señala que Particle‑1 todavía no aparece medido en ninguno de los 206 bancos que rastrea.
Por ello, la comparación correcta debe hacerse sobre el repositorio y las tareas reales de cada empresa. Un piloto útil debería medir, como mínimo, porcentaje de tareas resueltas, tokens totales, coste, tiempo, número de reintentos, pruebas ejecutadas y defectos descubiertos en revisión. También interesa comprobar si el modelo reduce razonamiento inútil o si simplemente deja de documentar y verificar antes.
La disponibilidad mediante varios proveedores facilita esa prueba. Además de la API de Particle, Vercel lo ha incorporado a AI Gateway y OpenRouter lo ofrece en su catálogo. Para equipos que comparen proveedores, la reciente API de Mistral compatible con el formato Responses de OpenAI muestra la misma tendencia: evitar que el agente quede atado a una única ruta de inferencia.
Conclusión
Particle‑1 propone una vía menos vistosa que aumentar el tamaño del modelo, pero muy práctica: hacer que el agente piense, pruebe y confirme con menos tokens. Si el ahorro declarado se mantiene en repositorios reales, puede reducir el coste de automatizaciones de programación y datos sin cambiar la tarifa por token. Por ahora, la promesa está respaldada por pruebas detalladas del fabricante, no por una evaluación neutral. La decisión sensata es tratarlo como un candidato para pruebas controladas, no como un sustituto demostrado.
Fuentes
- Particle: Introducing Particle‑1 (anuncio del 28 de octubre de 2026; consulta: 29 de octubre de 2026).
- Vercel: Particle‑1 disponible en AI Gateway (28 de octubre de 2026; consulta: 29 de octubre de 2026).
- OpenRouter: ficha de Particle‑1 (consulta: 29 de octubre de 2026).
- Digg: Particle launches Particle‑1 (28 de octubre de 2026; consulta: 29 de octubre de 2026).
- LLM Benchmark: métricas y cobertura de Particle‑1 (consulta: 29 de octubre de 2026).
Deja una respuesta