什么是 Fireworks AI？

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

Fireworks AI 平台正式支持智谱 GLM 5.1 模型，提供 SFT/DPO 微调能力、200K 超长上下文窗口，专为长周期智能体编程微调优化，RL 训练即将上线。

Fireworks AI 宣布 Qwen 3.5 正式接入其训练平台，支持 SFT/DPO/RLHF 等全栈微调方式、256K 上下文及 LoRA/全参微调。

Fireworks AI 引入新训练更新，支持 Gemma 4 Dense 模型在 256K 上进行 SFT、DPO 或 RL 训练。

Fireworks AI 推出 Gemma 4 Dense 模型，支持自定义微调、256K 上下文和多种训练方式。

Fireworks AI宣布其训练平台新增GLM 5.1 LoRA RL功能，支持SFT、DPO和完整RL。

Fireworks AI宣布其Kimi K2.6模型现在支持全参数强化学习，允许用户在其基础上进行完全自定义训练，以实现最大数据护城河。

四家AI推理平台进入全球前十趋势榜单，反映出企业正从通用模型转向任务导向的模型选择与分发策略，提升效率并降低成本。

Fireworks AI联合创始人与Infra Pod团队探讨推理优化、开源vs闭源模型及AI原生工程文化。

文章指出，使用第三方API可能让竞争对手获得相同能力，强调通过微调模型和反馈循环构建持久竞争优势。

多数团队可选前沿模型，但难以实现生产级部署。

Fireworks AI 宣布为 LangSmith Fleet 提供免费默认模型，降低开发者入门门槛。

Fireworks AI 宣布上线 NVIDIA Nemotron 3 Nano Omni——首个开源多模态模型，支持图文音视单次推理，256K上下文，吞吐量为Qwen3 30B的9倍。

Fireworks AI联合创始人参与播客，讨论开放模型、生产级推理与RFT技术如何赋能无专职ML团队的开发者，但原文仅为社交平台短预告，缺乏实质技术细节。

Qwen与Fireworks AI宣布合作，通过Fireworks平台提供Qwen闭源模型的优化部署服务，强调低延迟、低成本和企业级可靠性。

Fireworks AI宣布新时代黑客马拉松，展示AI工具快速开发能力。

Fireworks AI宣布成为LangChain的Deep Agents Inference合作伙伴，参与Interrupt 2026大会。

Fireworks AI 在 X 平台发布一条简短推文，称通过启用 safe_tokenization: true 防御 prompt injection，但未提供技术细节、验证方式或上下文。