Particle-1 néven új programozói modellt mutatott be a Particle, amely a fejlesztő saját tesztjeiben 28,4–52,2 százalékkal kevesebb kimeneti tokent használt a feladatok elvégzéséhez, mint a kiindulásként használt DeepSeek V4.1 Flash. A generatív mesterséges intelligencia fejlesztésénél nem a modell méretének növelésére, hanem a fölösleges számítási lépések csökkentésére összpontosítottak.
A Particle október 28-án jelentette be első modellje, a Particle-1 megjelenését. A rendszer a DeepSeek V4.1 Flash alapmodellre épül, amelyet a vállalat további megerősítéses tanulással fejlesztett tovább. A fő cél nem egy minden területen új teljesítménycsúcsot elérő általános nyelvi modell létrehozása volt, hanem egy olyan rendszeré, amely kevesebb számítási erőforrással tud megoldani összetett feladatokat. Az első kiadás elsősorban szoftverfejlesztési és adatfeldolgozási munkafolyamatokra készült.
A fejlesztők abból a problémából indultak ki, hogy a következtető mesterséges intelligencia modellek sokszor a szükségesnél több lépést hajtanak végre. Egy programozói ügynök például többször ellenőrizheti ugyanazt a fájlt, újraindíthat már sikeres teszteket, vagy hosszú magyarázatot készíthet egy olyan műveletről, amelyet korábban már megfelelően végrehajtott. A Particle-1 tanítása során ezért a sikeres feladatmegoldás mellett a felhasznált tokenek számát is figyelembe vették. A rendszer így azt tanulhatta meg, hogyan érjen el megfelelő eredményt rövidebb műveletsorral.
A vállalat négy értékelési környezetben, a DeepSWE 1.1, a Terminal-Bench 2.1, a ReactBench és az ADE Bench tesztekben vizsgálta a modellt. A közzétett eredmények szerint a Particle-1 28,4–52,2 százalékkal kevesebb kimeneti tokent használt, miközben az átlagos feladatköltség 34,4–51,6 százalékkal csökkent a kiinduló modellhez képest. A DeepSWE egyik összehasonlításában a Particle-1 72,57 százalékos, a DeepSeek V4.1 Flash pedig 71,15 százalékos sikerességet ért el. A fejlesztők szerint a különbség a mérés bizonytalanságán belül maradt, ezért nem jelent bizonyított általános pontossági fölényt.
Olvasd el: Valódi kódbázisokon tanult dolgozni a JetBrains új generatív mesterséges intelligencia modellje
A mesterséges intelligencia következő nagy gazdasági előnyét az jelentheti, hogy a modellek egyre több feladatot oldanak meg, vagy az, hogy ugyanazt a munkát lényegesen kevesebb számításból végzik el?
A rövidebb feladatvégrehajtás különösen a digitális ügynököknél lehet értékes. Egy összetett szoftverfejlesztési művelet során a modellnek fájlokat kell keresnie, kódot módosítania, ellenőrzéseket indítania és a hibákat javítania. Ezek a lépések sokszor több modellhívást igényelnek, ezért a használati költség gyorsan növekedhet. A Particle fejlesztői olyan példákat is bemutattak, amelyeknél a kiinduló modell több fölösleges ellenőrzési körrel dolgozott, miközben az új változat ugyanazt a feladatot rövidebb műveletsorral zárta le.
A bemutatott eredmények ugyanakkor meghatározott tesztfeltételekhez kötődnek. A Particle-1-et olyan programozási és adatfeldolgozási feladatokon értékelték, amelyek közel állnak a továbbtanítás során használt területekhez. A vállalat saját mérései ezért nem bizonyítják, hogy az új modell minden üzleti feladatban hasonló megtakarítást nyújtana. A végső költség függ a bemeneti és kimeneti tokenek számától, a gyorsítótárazástól és a sikertelen próbálkozások arányától is. A modell nem teljesen új, az alapoktól tanított architektúra, hanem egy meglévő DeepSeek-modell hatékonyabb feladatmegoldásra továbbfejlesztett változata.
A Particle-1 mégis fontos irányt képvisel a generatív mesterséges intelligencia versenyében. A nagy nyelvi modellek fejlődését sokáig elsősorban a paraméterszám, a tanításra fordított számítási kapacitás és a benchmarkeredmények határozták meg. Az egyre szélesebb üzleti használat miatt azonban a sikeresen elvégzett feladatonkénti költség is meghatározóvá válhat. Ha a modellek valóban képesek lesznek kevesebb fölösleges lépéssel dolgozni, az a fejlesztők és vállalatok számára egyszerre jelenthet gyorsabb automatizációt és gazdaságosabb működést.
Olvasd el ezt is: 75 százalékkal olcsóbb működést ígér az Anthropic új generatív mesterséges intelligencia modellje
Források: Particle, Particle Technical Documentation, No Code MBA
CS.SZ.
