Particle-1 자체 평가서 출력 토큰 평균 45% 절감

서지우 기자 2026.10.29 09:27

Particle는 딥시크 V4.1 Flash를 후학습한 개발자용 모델을 공개했다. 회사는 네 가지 평가 작업에서 출력 토큰 사용량이 28.4~52.2%, 과제당 평균 비용은 34.4~51.6% 낮았다고 밝혔다.

토포AI로 이 기사 더 깊이 읽기

Particle가 28일 개발자용 AI 모델 Particle-1을 공개했다. 회사는 자체 평가에서 기존 모델보다 출력 토큰을 평균 약 45% 적게 사용했다고 밝혔다.

수하일 도시(Suhail Doshi)는 믹스패널(Mixpanel) 공동창업자로 Particle를 설립했다. Particle-1은 회사의 첫 제품이다. Particle의 회사 소개에도 도시의 창업 이력이 소개돼 있다.

Particle는 딥시크(DeepSeek) V4.1 Flash를 후학습해 모델을 만들었다고 설명했다. 처음부터 기반 모델을 개발한 것이 아니라, 기존 모델에 소프트웨어 개발 작업을 위한 후학습을 적용했다. 자체 강화학습 환경도 활용했다.

평가에는 Terminal-Bench 2.1, ReactBench, ADE Bench, DeepSWE 1.1 등 네 가지 작업이 쓰였다. 이 비교에서 출력 토큰 사용량은 딥시크 V4.1 Flash보다 28.4~52.2% 적었고, 과제당 평균 비용은 34.4~51.6% 낮았다.

회사가 제시한 ‘약 45%’는 네 가지 평가 결과를 묶은 평균 수치다. 모든 작업에서 토큰 사용량이 45% 줄었다는 뜻은 아니다.

Particle는 공식 발표에서 네 작업에 같은 Terminus 2 에이전트를 쓰고, 모델별로 과제당 16회 실행했다고 밝혔다.

Particle는 같은 발표에서 과제당 비용 계산에 실패한 실행도 포함했다고 밝혔다.

Particle는 같은 발표에서 비용 산정에 캐시 적중률 95%를 가정했다고 밝혔다. 실제 청구액과 절감률은 이 전제에 따라 달라질 수 있다.

Particle는 첫 시도에 과제를 통과한 비율인 Pass@1이 비교 모델의 신뢰구간 안에 들었다고 밝혔다. 이는 회사가 공개한 평가 결과다.

Pass@1 결과와 토큰 감소율만으로 실제 개발 현장의 정확도와 작업 품질이 같다고 단정할 수는 없다. 발표된 비용 절감 폭도 회사가 정한 평가 조건에서 나온 수치다.

Particle는 같은 발표에서 Terminal-Bench 2.1, ReactBench, ADE Bench의 토큰 절감분 중 약 90%가 추론 과정에서 나왔다고 설명했다. 짧은 답변만의 효과는 아니라는 뜻이다.

Particle는 같은 발표에서 ADE Bench 한 사례의 두 모델이 키를 서로 다르게 생성했다고 밝혔다. 같은 해법을 더 짧게 설명한 결과만은 아니다.

Particle-1은 API로 제공되며 첫 적용 분야는 소프트웨어 엔지니어링이다. Particle는 공식 블로그 발표에서 28일 기준 토큰 사용량뿐 아니라 작업 수행 시간도 줄이는 것을 목표로 제시했다. Particle는 공식 블로그 발표에서 28일 기준 다른 분야로도 확장할 계획이라고 밝혔지만, 구체적인 일정은 제시하지 않았다.

이 기사에서 토큰은 AI 모델이 텍스트를 처리하거나 생성할 때 사용하는 단위로, 가상자산을 뜻하지 않는다. Particle의 발표에는 블록체인이나 가상자산에 모델을 적용한다는 계획이 담기지 않았다.