Particle 于10月28日发布首款模型 Particle-1，基于 DeepSeek V4.1 Flash 后训练，首批聚焦软件工程。团队将成功完成任务与更少的推理、工具调用 token 同时纳入强化学习目标，称在多类任务上平均减少约45%的 token。模型已经通过 Particle API 提供，Vercel AI Gateway 也于同日加入接入入口，支持百万 token 上下文。
官方评估覆盖 DeepSWE 1.1、Terminal-Bench 2.1、ReactBench 和 ADE Bench，分别涉及长程代码修改、终端工作、React 应用与数据工程。相较基础模型，四项测试的输出 token 减少28.4%至52.2%，平均任务成本下降34.4%至51.6%，单次成功率落在基础模型的置信区间内。四项评测使用同一 Terminus 2 框架和512k token 预算；成本包含失败尝试，并固定采用95%的缓存命中率。
训练采用分阶段强化学习，并在各层专家上训练 rank-64 LoRA，可训练参数约占总参数的1.25%。团队分析称，节省来自缩短重复推敲、更早开始实施，以及任务完成后减少反复确认；其中一些轨迹也减少了额外测试或文档工作。发布材料主要展示软件与数据工程结果，其他领域的扩展仍在探索中。