# Particle-1: agentic-модель, которая тратит на 45% меньше токенов — обзор и доступ через RouterAI

Particle AI 28 октября 2026 года выпустила первую модель — Particle-1. Это пост-обучение DeepSeek V4.1 Flash с одной целью: решать задачи по программной инженерии, тратя меньше токенов на рассуждения и вызовы инструментов. По данным компании, в среднем модель использует примерно на 45% меньше токенов, чем база, а точность остаётся в пределах доверительного интервала. В каталоге RouterAI она доступна как `particle-ai/particle-1`: контекст 1M токенов, вход от 5,34 ₽ за миллион, доступ из России без VPN, оплата в рублях. Разбираем, что заявлено, как это проверить на своих задачах и с кем модель стоит в одном ряду.

## Что такое Particle-1 {#chto-takoe-particle-1}

Particle-1 — модель от [Particle AI](https://particle.ai/blog/introducing-particle-1), обученная с подкреплением (RL) поверх DeepSeek V4.1 Flash. Награда в обучении поощряет успешное решение задачи при меньшем числе токенов на рассуждения и вызовы инструментов. По описанию в блоге, дообучали LoRA-адаптер ранга 64, который покрывает экспертов во всех слоях; это около 1,25% параметров модели. Среды для обучения — задачи по кодингу и data engineering.

Первый релиз сфокусирован на software engineering, другие области Particle обещает «в будущих релизах». Модель доступна через Particle API, а также через [Vercel AI Gateway](https://vercel.com/changelog/particle-1-is-now-available-on-ai-gateway), где она подаётся как инструмент для отладки, планирования правок и разбора многошаговых инженерных задач.

Где Particle-1 экономит токены, в блоге описано четырьмя паттернами:

- меньше рассуждений на те же действия;
- остановка после выполнения задачи, без повторных проверок и длинного финального резюме;
- меньше раундов «попытка — исправление»;
- более целенаправленное исследование кода и проверка результата.

Около 90% экономии на Terminal-Bench 2.1, ReactBench и ADE Bench приходится на токены рассуждений; на DeepSWE 1.1 примерно 30% добавляет текст вызовов инструментов.

## Заявленные метрики {#metriki}

Все цифры в этом разделе — измерения самой Particle AI из [блога компании](https://particle.ai/blog/introducing-particle-1). Независимых прогонов на момент статьи мало, поэтому воспринимайте их как заявку, а не как факт.

Particle сравнивала модель на четырёх бенчмарках: DeepSWE 1.1, Terminal-Bench 2.1, ReactBench и ADE Bench (аналитика и data engineering на dbt). Усреднённые результаты:

| Модель | Стоимость за задачу | Выходных токенов на задачу | Доля решённых задач |
| --- | ---: | ---: | ---: |
| Particle-1 | $0,2211 | 59 580 | 72,57% |
| DeepSeek V4.1 Flash | $0,3368 (в 1,5 раза дороже) | 83 246 (в 1,4 раза больше) | 71,15% |
| GLM 5.3 Flash | $0,6523 (в 3,0 раза дороже) | 98 155 (в 1,6 раза больше) | 66,82% |

По отдельным бенчмаркам Particle-1 тратит на 28,4–52,2% меньше выходных токенов и на 34,4–51,6% дешевле за задачу, чем DeepSeek V4.1 Flash. Pass@1 при этом, по словам авторов, укладывается в доверительные интервалы базовой модели: разница в 1,4 процентного пункта в таблице — не доказанное преимущество.

Что важно учесть при чтении:

- стоимость за задачу в посте посчитана по ценам Particle ($0,30 за 1M входных, $1,20 за 1M выходных токенов для Particle-1 и DeepSeek; $0,15 и $0,50 для GLM) при фиксированной доле попаданий в кэш 95%. В каталоге RouterAI цены свои (ниже), так что доллары из поста переносить на RouterAI нельзя;
- DeepSWE 1.1 запускали через mini-swe-agent, остальные три бенчмарка — через Terminus 2; везде максимальное рассуждение, лимит 512 тысяч токенов, температура 1;
- вне обучающих доменов точность осталась близкой к базе: GPQA Diamond 90,40% (у базы 90,91%), Tau Airlines 86,00% (88,00%), MMLU 86,08% (85,98%), BabyVision с инструментами 89,18% (89,60%).

## Характеристики {#harakteristiki}

| Параметр | Значение |
| --- | --- |
| id в RouterAI | `particle-ai/particle-1` |
| Контекст | 1 048 576 токенов |
| Максимум на выходе | до 131 072 токенов (по документации Particle; без явного лимита — 32 000) |
| Вход | текст и изображения (`text+image->text`) |
| Рассуждения | включены по умолчанию, уровень `high`; настраиваются через `reasoning_effort` |
| Вызов функций | `tools` и `tool_choice` в формате OpenAI |
| Структурированный вывод | `json_object` принимается; строгое следование JSON-схеме Particle не гарантирует |

В каталоге RouterAI у модели заявлены параметры `reasoning`, `reasoning_effort`, `tools`, `tool_choice`, `response_format`. Тестовый запрос с функцией `get_invoice` вернул `tool_calls` с аргументом `{"id": "A-1024"}`.

## Цены в RouterAI {#ceny}

Цены из [каталога RouterAI](/models/particle-ai/particle-1) на 9 ноября 2026 года, рубли за 1M токенов: вход 5,34 ₽, выход 53,39 ₽, чтение из кэша 0,32 ₽. Актуальные значения смотрите в карточке модели.

![Карточка Particle-1 в каталоге RouterAI: контекст 1M, вход 5,34 ₽ и выход 53 ₽ за 1M токенов, кнопки «Чат» и «Детали»](https://b51bc417-3ee0-451a-a83b-8a681d027a96.selstorage.ru/public/271ca280190f13a57ee45c1968278232.png)

В посте Particle у Particle-1 и DeepSeek V4.1 Flash одинаковые цены, в каталоге RouterAI они разные: у DeepSeek V4.1 Flash вход 2,58 ₽, выход 46,98 ₽. Поэтому выигрыш придётся считать самим. Простая прикидка на заявленных Particle средних значениях: 59 580 выходных токенов на задачу у Particle-1 против 83 246 у DeepSeek. По ценам каталога выходная часть выходит примерно в 3,2 ₽ против 3,9 ₽ за задачу. Входной поток у Particle-1 при этом вдвое дороже, так что итог зависит от доли входа и попаданий в кэш на вашей нагрузке. Длинные агентные сессии обычно держат большой повторяющийся префикс, и там помогает дешёвое чтение из кэша (0,32 ₽).

Подробнее о том, из чего складывается цена сессии, — в статье [«Сколько стоит агентная сессия»](/pages/stoimost-agentnoy-sessii-flash-vs-sonnet).

## Сравнение с соседями {#sravnenie}

Цены из каталога RouterAI на 9 ноября 2026 года, ₽ за 1M токенов.

| Модель | Вход | Выход | Кэш: чтение | Контекст | Принимает | Когда брать |
| --- | ---: | ---: | ---: | ---: | --- | --- |
| `particle-ai/particle-1` | 5,34 | 53,39 | 0,32 | 1M | текст, изображения | длинные агентные сессии, где важны токены рассуждений |
| `deepseek/deepseek-v4.1-flash` | 2,58 | 46,98 | 0,47 | 1M | текст, изображения | база Particle-1: дешевле на входе и выходе, но без оптимизации токенов |
| `z-ai/glm-5.3-flash` | 3,93 | 9,75 | 3,52 | 1M | текст, изображения, видео | выход в несколько раз дешевле, когда модель много пишет |
| `moonshotai/kimi-k3.1-pro` | 32,35 | 869,51 | 21,36 | 1M | текст, изображения, видео | крупная модель для сложных задач, выход дорогой |
| `anthropic/claude-sonnet-5.5` | 213,56 | 1067,80 | 10,68 | 1M | текст, изображения, файлы | критичный код и спорные места, где нужна основная модель |

Что видно из таблицы:

- по цене Particle-1 в одном классе с DeepSeek V4.1 Flash и GLM 5.3 Flash, и в десятки раз дешевле Claude Sonnet 5.5: по входу в 40 раз, по выходу — в 20;
- у GLM 5.3 Flash самый дешёвый выход: 9,75 ₽ против 53,39 ₽ у Particle-1. Для задач с длинными ответами сравнивайте стоимость сессии, а не цену за токен;
- по качеству на одной методике независимых сравнений Particle-1 с Kimi и Sonnet нет. Цифры Particle сравнивают её только с DeepSeek V4.1 Flash и GLM 5.3 Flash.

Другие дешёвые агентные модели — в обзорах [MiniMax M3.1 Flash](/pages/minimax-m3-1-flash-obzor) и [Kimi K3.1 Pro](/pages/kimi-k3-1-pro-routerai).

## Как вызвать через API {#primery-api}

RouterAI даёт OpenAI-совместимый API: Base URL `https://routerai.ru/api/v1`, ключ создаётся в [личном кабинете](/settings/keys).

```bash
curl https://routerai.ru/api/v1/chat/completions \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "particle-ai/particle-1",
    "reasoning_effort": "none",
    "messages": [
      {"role": "user", "content": "Объясни, что делает git rebase --onto"}
    ]
  }'
```

`reasoning_effort: "none"` отключает рассуждения: на запросе «Скажи ок» с этим значением модель потратила 0 токенов на рассуждения и 2 токена на ответ. Для кода и агентов рассуждения лучше оставить включёнными (по умолчанию `high`). Подробнее про уровни — в глоссарии про [reasoning-модели](/pages/reasoning-modeli).

Тот же вызов через OpenAI SDK для Python:

```python
from openai import OpenAI

client = OpenAI(
    base_url="https://routerai.ru/api/v1",
    api_key="sk-xxxxxxxxxxxxxxxx",
)

resp = client.chat.completions.create(
    model="particle-ai/particle-1",
    messages=[{
        "role": "user",
        "content": "Добавь в invoices.js функцию overdueTotal(invoices) "
                   "и тест к ней.",
    }],
    max_tokens=8000,
)
u = resp.usage
print(resp.choices[0].message.content)
print(u.prompt_tokens, u.completion_tokens,
      u.completion_tokens_details.reasoning_tokens)
```

Поле `usage.completion_tokens_details.reasoning_tokens` показывает, сколько из выходных токенов ушло на рассуждения: именно эту величину Particle-1 должна сокращать. На демо-проекте с небольшим модулем счетов такой запуск выглядит так (скрипт читает ключ из переменной окружения, последняя строка — расход):

![Терминал: скрипт на OpenAI SDK вызывает particle-ai/particle-1 через RouterAI, модель дописывает функцию overdueTotal и тест; в конце строка с числом токенов и стоимостью 0,03 ₽](https://b51bc417-3ee0-451a-a83b-8a681d027a96.selstorage.ru/public/b82ea4bbca16f54c8910a115b60165ff.png)

Это один запрос, а не замер: число токенов от запуска к запуску меняется. Чтобы оценить экономию на своей работе, прогоните одну и ту же задачу на `particle-ai/particle-1` и `deepseek/deepseek-v4.1-flash` и сравните `reasoning_tokens` и стоимость по полю `usage`.

## Подключение к агентам {#agenty}

Модель принимает вызовы функций в формате OpenAI, поэтому её можно выбрать в любом агенте, который работает с OpenAI-совместимым провайдером. Параметры одни и те же:

| Поле | Значение |
| --- | --- |
| Base URL | `https://routerai.ru/api/v1` |
| API Key | ключ RouterAI (`sk-xxxxxxxxxxxxxxxx`) |
| Model | `particle-ai/particle-1` |

Пошаговые инструкции по конкретным инструментам: [Codex](/pages/vibe-coding-codex), [Aider](/pages/vibe-coding-aider), [OpenCode](/pages/vibe-coding-opencode), [Cline в VS Code](/pages/vibe-coding-vscode-cline). Везде меняется только id модели.

Для клиентов на Anthropic Messages API (например, Claude Code) используется адрес `https://routerai.ru/api`: запрос к Particle-1 в этом формате проходит и возвращает ответ с блоком рассуждений. Подключение самого агента описано в статье [«Вайб-кодинг в Claude Code»](/pages/vibe-coding-claude-code).

Логичное место для недорогой модели — массовые задачи, где агент делает много шагов: например, ревью кода в CI. В [Open Code Review](/pages/open-code-review-routerai) модель задаётся одной командой в конфиге:

```bash
ocr config set custom_providers.routerai.url https://routerai.ru/api/v1
ocr config set custom_providers.routerai.protocol openai
ocr config set custom_providers.routerai.model particle-ai/particle-1
ocr config set custom_providers.routerai.api_key "$ROUTERAI_API_KEY"
ocr config set provider routerai
```

## Ограничения {#ogranicheniya}

- **Только API.** В материалах Particle о публикации весов не сказано, поэтому самостоятельно развернуть её, по имеющимся данным, нельзя: работать приходится через API Particle, шлюзы вроде RouterAI или Vercel AI Gateway.
- **Фокус на разработке.** Обучение шло на задачах по кодингу и data engineering. Что с экономией токенов и точностью в творческих, аналитических и других не кодовых задачах, неизвестно: Particle показывает лишь один пример по юридическому ревью договора, где модель использовала на 24,6% меньше выходных токенов.
- **Метрики вендора.** Все цифры из блога — внутренние, независимых прогонов пока мало. Экономия токенов зависит от задачи: диапазон в посте — от 28,4% до 52,2%.
- **Строгие схемы.** JSON Schema модель не гарантирует: для структурированного вывода принимается `json_object`.
- **Цена зависит от доли входа.** Вход у Particle-1 дороже, чем у DeepSeek V4.1 Flash, так что на коротких задачах с большим промптом выигрыша может не быть.

## Что дальше {#chto-dalshe}

Particle-1 уже в [каталоге RouterAI](/models/particle-ai/particle-1): создайте ключ, пополните баланс картой РФ в рублях и сравните модель со своей текущей на одной и той же задаче. Решение лучше принимать по двум числам из `usage`: сколько токенов ушло на рассуждения и во сколько это обошлось.

- [Каталог моделей](/models) — цены и параметры актуальных моделей;
- [Сколько стоит агентная сессия](/pages/stoimost-agentnoy-sessii-flash-vs-sonnet) — как считать стоимость задачи для дешёвых и дорогих моделей;
- [MiniMax M3.1 Flash](/pages/minimax-m3-1-flash-obzor) и [Claude Haiku 5.5](/pages/claude-haiku-5-5-obzor) — другие недорогие модели для агентов;
- [Документация Particle API](https://docs.particle.ai/models) — описание модели и параметров рассуждений.