公司
别名：FireworksAI_HQ
发布该技术推文的人工智能公司
已跟踪 30 条高相关材料
最近变化
2026-09-01 · 微调Qwen模型可替代GPT-5.5实现100倍成本降低
为什么值得关注
Fireworks AI 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Frontier models are powerful advisors. On @harvey's Legal Agent Benchmark, a GLM 5.1 worker using C...
Fireworks AI(@FireworksAI_HQ) · 8.7 分
Fireworks AI 通过“harness + advisor”架构，在 Harvey 法务代理基准上以 Claude Opus 4.7 为稀疏顾问，将 GLM 5.1 工作者性能提升至 18/100 全对，成本仅为 Opus 39%。
Our partners @LangChain generate billions of tokens of agent traces a day, their richest signal on h...
Fireworks AI(@FireworksAI_HQ) · 8.5 分
Fireworks AI通过微调Qwen模型帮助LangChain实现评估成本降低100倍，替代GPT-5.5等闭源模型。
A secret that leaks into shipped code is a breach waiting to happen. @FactoryAI's droids write and...
Fireworks AI(@FireworksAI_HQ) · 8.5 分
FactoryAI通过微调Qwen模型，使Droid Shield在代码审查中比GPT-5.5多捕捉20%的真实秘密，同时降低成本和延迟。
已收录 30 条与 Fireworks AI 相关的内容，按评分排序。
Fireworks AI 通过“harness + advisor”架构，在 Harvey 法务代理基准上以 Claude Opus 4.7 为稀疏顾问，将 GLM 5.1 工作者性能提升至 18/100 全对，成本仅为 Opus 的 39%。
入选理由：在 Harvey 法务代理基准上，GLM 5.1 + Claude Opus 4.7 稀疏顾问方案全对数达 18/100。
FactoryAI通过微调Qwen模型，使Droid Shield在代码审查中比GPT-5.5多捕捉20%的真实秘密，同时降低成本和延迟。
入选理由：使用Training API微调Qwen模型可提升20%的敏感信息检测率
Fireworks AI通过微调Qwen模型帮助LangChain实现评估成本降低100倍，替代GPT-5.5等闭源模型。
入选理由：微调Qwen模型可替代GPT-5.5实现100倍成本降低
Fireworks AI 现已支持 DeepSeek V4 Flash 0731 模型的微调训练，提供 SFT/DPO/RL 三种训练方式，适用于编码代理和高并发场景，成本较传统方案降低 70%。
入选理由：DeepSeek V4 Flash 0731 可通过 Fireworks API 进行 SFT/DPO/RL 训练
模型成本评估应关注任务完成成本而非每token价格，2400次测试表明按任务难度路由可同时优化成本与覆盖范围。
入选理由：2400次基准测试覆盖10个模型，包括Kimi K3
Fireworks AI与ClayRunHQ合作推动开放权重模型在GTM领域的落地，GLM-5.2和Kimi K2.6展现关键性能。
入选理由：GLM-5.2和Kimi K2.6模型已具备实际GTM工作所需的性能
模型管理是SDLC扩展的真正瓶颈，Fireworks AI帮助FactoryAI实现模型管理效率提升。
入选理由：使用Fireworks AI可使开源模型增长达2-3倍
Fireworks AI 现在支持对 GLM 5.2 进行微调，适用于代码生成任务，提升模型在特定代码库中的表现。
入选理由：Fireworks AI 支持对 GLM 5.2 进行 SFT、DPO 和 RL 微调。
Fireworks AI 已解决前沿模型强化学习中的基础设施难题，实现训练与推理数值完全一致，并作为服务推出。
入选理由：Fireworks AI 解决了训练与推理数值一致性的难题，实现零 KLD。
结合前沿封闭模型与开源模型可显著提升性能并降低成本，Fireworks AI 的研究验证了这一结论。
入选理由：结合封闭模型与开源模型可提升性能并降低 40-67% 的成本。
GLM 5.2 在性能和效率上表现优异，接近甚至超越 GPT 5.5 和 Opus 4.8。
入选理由：GLM 5.2 在处理长上下文和复杂任务时表现出色。
Fireworks AI 已上线 GLM 5.2 模型，支持 1M-token 上下文，专注于代码生成，并在多个基准测试中表现优异。
入选理由：GLM 5.2 支持 1M-token 上下文，适用于复杂任务。
Fireworks AI 现在支持 Kimi 2.7 的完全可训练，提供低成本构建竞争模型的方案。
入选理由：Kimi 2.7 可通过 Fireworks AI 进行 SFT、DPO 和 RL 训练。
Fireworks AI 提出通过缩短推理长度降低上下文开销，提升生成效率并减少成本。
入选理由：缩短推理长度可减少后续上下文开销，提升生成速度。
Moonshot 推出 K2.7 Code 模型，推理 token 数减少 30%，同时在 Moonshot 编码基准中表现更优。
入选理由：K2.7 Code 模型推理 token 数比 K2.6 减少 30%。
Step 3.7 Flash 是一个专为推理优化设计的 196B MoE 模型，采用 MFA 和 AFD 技术，KV-cache 占用仅为 DeepSeek 的 22%，支持高效代理、编码和多模态任务，已开源并可在 Fireworks 平台使用。
入选理由：Step 3.7 Flash 是 196B MoE 模型，从设计之初就聚焦推理效率，而非事后优化。
开放权重模型在实际应用中表现出显著成本优势，RampLabs 使用 Kimi K2.6 和 DeepSeek V4 Pro 发现高危漏洞，成本降低 5 倍。
入选理由：RampLabs 使用 10K 代理测试后端，发现开放权重模型成本降低 5 倍。
Fireworks AI 提供了一种观点，即产品的成功在于其作为强化学习环境的独特性和适应性。
入选理由：产品的独特性是其最大的护城河。
Fireworks AI测试显示，基线模型在浏览器代理任务中重试率达20%，而Kimi K2.5、GLM-5、MiniMax M2.5的重试率接近零，执行差异直接影响生产系统的成本、延迟和可靠性。
入选理由：基线模型在5次调用中约1次输出畸形，导致多步骤工作流重试
Fireworks AI指出，模型微调现在只需CLI命令、10分钟GPU时间和几美分，且可完全拥有权重，预训练模型虽已足够使用，但需进一步优化。
入选理由：模型微调时间从数周团队协作缩短到10分钟GPU计算，成本仅需几美分
微调瓶颈不在算法本身，而在于集成复杂度、迭代周期长和模型类型选择不清。Fireworks AI 提供VPC内训练与高频实验支持。
入选理由：团队瓶颈不在训练算法，而在数据隔离、迭代速度和模型选择（SFT/RFT/DPO）
Fireworks AI 引入 Step 3.7 Flash：从推理效率出发设计的 198B 稀疏 MoE 视觉语言模型，集成 196B 语言与 1.8B 视觉编码器，实现实际代理任务最高 400 token/s 推理。
入选理由：从设计阶段即优化推理效率，非事后补强。
对开源模型进行路由与后训练能显著提升AI系统的准确性、速度和成本效益。Harvey与Fireworks AI的实测表明，采用GLM 5.1作为主Worker并选择性调用前沿模型的混合架构，在法律领域实现了质量与成本的双重优化，证明开源微调加智能路由是替代纯前沿模型的高性价比工程路径。
入选理由：Harvey实测显示混合法律Agent在质量和成本上均优于单一前沿模型。
微调专有数据是构建AI护城河的最高杠杆策略，提示词易被复制，而基于私有数据训练的模型难以被替代。OpenAI正逐步限制该路径，企业应尽快掌握SFT能力。
入选理由：使用专有数据进行SFT微调可建立竞争壁垒，防止提示工程被快速复制。
Fireworks AI推出DeepSeek V4 Flash原生视觉模型，价格与文本版本相同但性能更优。
入选理由：DeepSeek V4 Flash新增原生视觉功能，支持多模态处理
Fireworks AI团队使用GLM5.2 Fast模型在4天内完成原本预计1个月的工程任务，速度达400 tokens/秒，成本218美元。
入选理由：GLM5.2 Fast模型实现400 tokens/秒的处理速度，显著提升工程效率。
Fireworks AI 每日处理 30 万亿 token，开放模型使用量持续增长，Factory AI 的开放模型使用量在过去一个月内增长了 3 倍。
入选理由：Fireworks AI 每日处理 30 万亿 token，显示其在大规模数据处理能力上的优势。
Cursor团队通过强化学习训练而非提示工程实现Composer 2.5，其大规模RL程序在Fireworks上运行推理，预示2027年后自训练模型将成为竞争护城河的唯一方式。
入选理由：Cursor团队使用强化学习训练Composer 2.5，而非提示工程方法
Fireworks AI 与 Harvey 合作发布 Legal Agent Benchmark，用于评估开源模型在长期真实法律任务中的表现。
入选理由：Legal Agent Benchmark 是首个聚焦长期法律任务的开源评估基准，支持 Open-Weight 模型测试。
Cursor AI在Kimi K2.5基座模型上迭代出Composer 2.5，85%性能提升来自强化学习，Fireworks AI提供RL训练基础设施，实现前沿质量与开源经济的平衡。
入选理由：Composer 2.5基于Kimi K2.5模型，性能显著提升，85%的算力增益来自强化学习（RL）。
