Particle-1 yazılım görevlerinde jeton tüketimini yüzde 45 düşürdü
Öne çıkanlar
- Particle-1, DeepSeek V4.1 Flash taban modeline kıyasla ortalama yüzde 45 daha az jeton tüketiyor.
- Yazılım testlerinde görev başına ortalama maliyet yüzde 34,4 ile yüzde 51,6 arasında geriledi.
- Jeton tasarrufunun yaklaşık yüzde 90'ı gereksiz akıl yürütme çıktılarının elenmesiyle sağlandı.
- Model, yüzde 1,25 ek parametreye denk gelen LoRA adaptörü ve GSPO yöntemiyle eğitildi.
Particle şirketi, DeepSeek V4.1 Flash taban modeli üzerinde pekiştirmeli öğrenmeyle geliştirilen Particle-1 modelini kullanıma sundu. Girişim, yetenekli yapay zeka modellerinin yüksek maliyetini azaltmak amacıyla modeli daha az jeton kullanarak problem çözecek şekilde optimize etti. İlk aşamada yazılım mühendisliği görevlerine odaklanan Particle-1, çeşitli görevlerde doğruluk kaybı yaşamadan ortalama yüzde 45 oranında daha az jeton tüketiyor ve görevleri daha kısa sürede tamamlıyor.
Terminal-Bench 2.1, ReactBench, ADE Bench ve DeepSWE 1.1 üzerinde yapılan testlerde model, taban modele kıyasla yüzde 28,4 ile yüzde 52,2 arasında daha az çıktı jetonu kullandı ve görev başına maliyeti yüzde 34,4 ile yüzde 51,6 aralığında düşürdü. Elde edilen tasarrufun yaklaşık yüzde 90'lık bölümünün akıl yürütme jetonlarındaki sadeleşmeden kaynaklandığı bildirildi. Model, genel değerlendirme testlerinde taban modelle benzer başarım sergiledi ve yazılım alanı dışındaki sözleşme inceleme gibi testlerde de benzer verimlilik gösterdi.
Eğitim sürecinde RadixArk'ın açık kaynaklı RL çatısı Miles temel alındı ve yüzde 1,25 parametre oranına denk gelen bir LoRA adaptörü kullanıldı. Politika güncellemelerinde Grup Dizi Politikası Optimizasyonu yönteminden yararlanan ekip, SGLang ve Megatron altyapılarında da geliştirmeler yaptı. Particle-1, geliştiricilerin kendi iş akışlarına bağlayabilmesi için şirketin API platformu üzerinden genel erişime açıldı.
Bu özet yapay zekâ ile hazırlanmıştır; ayrıntılar ve doğrulama için orijinal kaynağa başvurun.