Zum Inhalt springen
Alpha
  • Modelle
  • Ranglisten
  • Ori
Vertrieb kontaktieren

Fußzeile

OpenRouterOpenRouter
© 2026 OpenRouter, Inc

Produkt

  • Chat
  • Ranglisten
  • Leistungsvergleiche
  • Apps
  • Entdecken
  • Modelle
  • Ori
  • Sammlungen
  • Anbieter
  • Tools
  • Preise
  • Business
  • Enterprise
  • Labs

Unternehmen

  • Über
  • Blog
  • Kunden
  • Karriere
    Offene Stellen
  • Datenschutz
  • Nutzungsbedingungen
  • Vertrauenszentrum
  • Support
  • Funktioniert mit OR
  • Daten
  • Marke

Entwickler

  • Dokumentation
  • API-Referenz
  • Entwicklerplattform
  • Status
  • KI-Sitemap

Verbinden

  • Discord
  • GitHub
  • LinkedIn
  • X
  • YouTube
Favicon für particle-ai

Particle AI: Particle-1

particle-ai/particle-1

Vergleich

Particle-1 is a token-efficient agentic coding model from Particle AI, post-trained on DeepSeek V4.1 Flash. It is suited for software engineering work such as terminal workflows, codebase changes, and data engineering tasks, and is trained to complete them with substantially fewer reasoning and tool-call tokens while keeping accuracy close to its base model.

Modalitäten
Eingabe- / Ausgabepreis
0,05 $ / 0,50 $pro 1 Mio.
Kontext
1,0M
Veröffentlicht
28. Okt. 2026
Vergleich
AnbieterPreiseLeistungVerfügbarkeitAppsAktivitätFAQEntdecken

Anbieter

Dieses Modell wird von einem einzigen Anbieter gehostet. OpenRouter leitet jede Anfrage direkt an ihn weiter – es sind keine Routing-Entscheidungen erforderlich.

Preise

Der durchschnittliche Preis, den Kunden tatsächlich für dieses Modell zahlen, neben den von Anbietern veröffentlichten Preisen. Durch Caching und Rabatte liegt der tatsächlich gezahlte Preis oft deutlich unter dem Listenpreis.

Leistung

Der Durchsatz gibt an, wie schnell das Modell schreibt (Token pro Sekunde – höher ist besser). Die Latenz ist die gesamte Umlaufzeit (niedriger ist besser). TTFT ist die Zeit bis zum ersten Token – also die Wartezeit, bis etwas angezeigt wird (niedriger ist besser).

Verfügbarkeit

Verfügbarkeit ist der prozentuale Anteil der letzten 3 Tage, in dem mindestens ein Anbieter auf Anfragen reagiert hat. Die Verfügbarkeit der Inferenz ist der prozentuale Anteil der Zeit, in der Inferenz erfolgreich bereitgestellt wurde. OpenRouter überwacht dies kontinuierlich und verwendet den nächstbesten Anbieter, wenn ein Anbieter einen Fehler zurückgibt.

Apps

Öffentliche Apps, die den meisten Datenverkehr an dieses Modell senden. Ein guter Anhaltspunkt dafür, wie echte Produktionsworkloads aussehen – und ein Hinweis darauf, für welche Anwendungsfälle dieses Modell am besten geeignet ist.

Aktivität

Token-Volumen und Anfrageaufkommen für dieses Modell im Zeitverlauf.

API

Direkt einsetzbarer Code zum Aufrufen dieses Modells. Die API von OpenRouter ist OpenAI-kompatibel – bei den meisten SDKs genügt es, die Basis-URL auszutauschen. Zwischen den Modellen ändert sich nur der unten stehende Modell-Slug.

Derzeit nicht über EU-regionales Routing verfügbar. Dokumentation zum regionsinternen Routing

Weitere Modelle entdecken

KI-Modelle mit Bildverarbeitung: Multimodale LLMs für das BildverständnisSammlungKI-ModellranglistenRangliste
Latenz / Durchsatz
0,05 $0,50 $0,003 $1,24s119 tps
100,00 %
Durchsatz
119Token/s

P50, bester Wert über alle Anbieter hinweg

Latenz
1,24s

P50, bester Anbieter

Verfügbarkeit (3 Tage)Das Modell war erreichbar. Die Anfrage wurde an einen Anbieter weitergeleitet.
100,00 %
Verfügbarkeit (3 Tage)Das Modell hat über einen beliebigen Anbieter ein Inferenzergebnis zurückgegeben. Fehler und leere Antworten wirken sich negativ darauf aus.
99,96 %

Verfügbarkeit in den letzten 3 Tagen

Letzte 72 Stunden
Verfügbarkeit 99,96 %
Vor 3 TagenVor 2 TagenGesternJetzt

Verfügbarkeit in den letzten 24 Stunden

OpenRouter Availability
99,98 %

Wenn bei einem vorgelagerten Anbieter ein Fehler auftritt, können wir diesen durch die Weiterleitung an einen anderen funktionsfähigen Anbieter beheben, sofern Ihre Anfragefilter dies zulassen. Sie können programmgesteuert auf die Verfügbarkeitsdaten pro Anbieter zugreifen, und zwar über die Endpunkt-API. Erfahren Sie mehr über unsere Optionen für Lastverteilung und Anbieter-Routing.

1.
Favicon für https://nousresearch.com
Hermes Agent
Hermes Agent is an open-source, self-improving AI agent by Nous Research that runs persistently with memory across sessions, and builds reusable skills from experience. It comes with 40+ built-in tools, including web search, browser automation, and vision, plus scheduled automations and subagents.
4,02BToken
2.
Favicon für https://omp.sh/
omp
neu
3,8BToken
3.
Favicon für https://github.com/deepseek-ai/deepseek-harness
DeepSeek Harness
neu
3,02BToken
4.
Favicon für https://pi.dev/
pi
There are many coding agents, but this one is yours.
2,84BToken
5.
Favicon für https://kilocode.ai/
Kilo Code
Kilo Code is an open-source AI coding agent that works across VS Code, JetBrains, and CLI to help developers ship code faster with agentic workflows.
2,43BToken

Häufig gestellte Fragen

Particle-1 is a token-efficient agentic coding model from Particle AI, post-trained on DeepSeek V4.1 Flash. It is suited for software engineering work such as terminal workflows, codebase changes, and data engineering tasks, and is trained to complete them with substantially fewer reasoning and tool-call tokens while keeping accuracy close to its base model.

Particle-1 kostet 0,05 $/M Eingabe-Token und 0,50 $/M Ausgabe-Token, mit separaten Tarifen für Cache Read für 0,003 $/M tokens.

Particle-1 hat ein Kontextfenster von 1.048.576 Token. Es unterstützt bis zu 131.072 Completion-Token.

Ja. Particle-1 akzeptiert tools und tool_choice für Funktionsaufrufe. Es unterstützt auch strukturierte Ausgaben über ein JSON-Schema in response_format.

Particle-1 akzeptiert Text und Bilder als Eingabe und gibt Text zurück.

Particle-1 wurde am 28. Oktober 2026 veröffentlicht.

Weitere Modelle von Particle AI

Particle-1

Particle-1 is a token-efficient agentic coding model from Particle AI, post-trained on DeepSeek V4.1 Flash. It is suited for software engineering work such as terminal workflows, codebase changes, and data engineering tasks, and is trained to complete them with substantially fewer reasoning and tool-call tokens while keeping accuracy close to its base model.

Text1,0M Kontext0,05 $ / 0,50 $