9 月 23 日，Fireworks Research 发布专精化模型 Ember-1：基于开源权重模型 Kimi K3 训练，官方数据显示答案质量与 K3 持平，token 消耗减少 40%。模型当天就在 Fireworks Serverless 上线，以 Research Preview 形式提供服务，与 K3 基座并列成为可选模型。
Ember-1 没有新的基座、没有更大的参数量，它解决的问题只有一个：推理模型花在「想」上的钱，大部分可以省下来。
推理模型的 token 都花在哪了
Kimi K3 这类推理模型生成的 token 里，有时超过 90% 花在内部推理上，真正构成最终答案的只占小头。单次请求贵，多轮 agent 任务会贵得更厉害：每一轮对话都要把之前的推理过程重新回放给模型，上下文规模随轮数近似二次方增长，早期轮次产生的长推理链，会在后续每次调用中被重新读取、重新计费。
Fireworks 对这个问题做了系统测量，结论写在官方博客里：跨 7 个基准测试和两家客户的生产流量，Kimi K3 的推理过程可以缩短 35% 到 50%，准确率不受影响。换句话说，推理模型输出的思考内容里，有相当一部分是冗余空转，删掉不会碰答案。
调低推理力度为什么行不通
看到「推理太长」，最直接的方案是把模型的 reasoning effort 调低。K3 支持这个参数，token 立刻就能省下来，但质量同步塌掉：在 SWE-bench Verified 上，K3 低力度得分 80.4%，最高力度（默认档）93.2%，差了近 13 个百分点。省下的 token 钱抵不掉准确率损失。
Fireworks 给出的路径是训练：让模型自己学会更高效地推理。Research 团队为此跑了超过 50 组训练实验、200 多次评测，并在过程中开发了新的训练算法。
训练方法：保留有用的反思，砍掉无效空转
Ember-1 的训练不是对推理链做无差别压缩。K3 的推理内容里有相当部分是有价值的自我反思：重新审视一个假设、响应外部反馈、把当前结果追溯到更早的决策，这类行为帮助模型从错误中恢复。Ember-1 要保留的是这部分能力，同时消除不产出结果的推理循环。
训练数据的覆盖面刻意拉宽：数学、代码、指令遵循、对话、搜索、工具调用、软件工程七类任务，既有单轮问题也有长程多步交互。训练用任务反馈和环境反馈做 on-policy 学习，让模型在探索动作、吸收观察、修正推理的完整过程中学会省着想，目标是不挑工作负载——token 节省能从一类任务迁移到另一类。训练全部在 Fireworks Serverless Training 上完成，只用了自有数据，不含客户数据。
五个基准的成本对账
评测采用 K3 的公开 API 定价（未缓存输入 $3/M token、缓存输入 $0.30/M、输出 $15/M）计算每个任务的成本，对比四个配置：K3 低力度、高力度、最高力度（默认），以及 Ember-1。
| 基准 | 样本数 | K3 低力度 | K3 高力度 | K3 最高力度 | Ember-1 | 每任务成本 vs K3-max |
|---|---|---|---|---|---|---|
| Terminal Bench 2.1 | 89 | 76.4% | 77.6% | 80.9% | 82.0% | -51.9%（省 $23.1） |
| SWE-bench Verified | 500 | 80.4% | 86.0% | 93.2% | 92.2% | -15.5%（省 $68.1） |
| SWE-Interact | 75 | 6.7% | 13.3% | 21.3% | 20.0% | -32.5%（省 $60.8） |
| DeepSWE 1.1 | 113 | 55.8% | 62.8% | 66.4% | 75.2% | -23.7%（省 $126.9） |
| τ-2 Bench Airline | 50 | 64% | 64% | 64% | 66% | -5.9%（省 $0.3） |
两个细节值得展开看。其一，在样本数超过 50 的每个基准上，Ember-1 都落在或贴近质量-成本 Pareto 前沿，严格优于 K3 低力度档；对 GPT-6 Astra、Claude Opus 5、GLM 5.3 的同图对比中，Fireworks 给出的结论是 Ember-1 处于前沿的领先位置。其二，Ember-1 在五个基准里的三个上直接超过了它的基座：Terminal Bench 2.1 高 1.1 个百分点，τ-2 Bench 高 2 个百分点，DeepSWE 1.1 上高出 K3-max 整整 8.8 个百分点（75.2% 对 66.4%），同时每任务成本下降 23.7%。剩下两个基准（SWE-bench Verified、SWE-Interact）得分略低于 K3-max 约 1 个百分点，但每任务成本分别下降 15.5% 和 32.5%。
「学生超过老师」在压缩类后训练里不常见。一种解释是：削减冗余推理降低了模型在长任务里跑偏、陷入循环的概率，DeepSWE 这类长程软件工程任务恰好对此最敏感。Fireworks 没有在博客中给出这组数字的归因分析，这个解释属于推断，不是官方结论。
真实负载：内部无感切换，客户 A/B 省 35%
基准之外，Ember-1 经历了三层真实负载验证。第一层是 Fireworks 内部：公司自己的编码/cowork 流量跑在自己的推理服务上，切换过程开发者无感知，得分从 K3 的 0.751 到 Ember-1 的 0.753，平均步数 23.8 降到 21.4，单任务输出 token 从 49.3K 降到 29.9K——推理 token 减少 71.3%，总 token 减少 39%。
第二层是客户生产流量的 A/B 测试：两家客户在其生产编码工作负载上对照运行，Ember-1 每任务 token 减少约 35%，质量相当；任务完成率、成功评分、失败率等下游指标持平或改善。A/B 之后，其中一家客户已把 Ember-1 放进生产环境，计划逐步全面替换基座模型。
第三层是行业基准：Fireworks 前一周发布了 Specialized Intelligence Index（SII），用行业专家构建的真实任务给开源、闭源和专精模型打分。Ember-1 在 Doximity 提供的 Bedside Bench 上创造了新的 Pareto 前沿——该基准由医生验证，覆盖 10 个专科类别的 500 个临床案例，同图对比的闭源模型包括 GPT-5.6 Sol、GPT-6 Astra 和 Claude Opus 5。
开发者怎么用
Ember-1 当前以 Research Preview 形式在 Fireworks Serverless 上提供，与 Kimi K3 基座并列作为服务选项，按 token 计费，推理密集的 agent 编码工作负载是它最直接的目标场景——token 账单占成本大头时，节省比例会直接体现在账单上。如果你的工作负载本身就是短回答、推理占比低，两者的差距会小得多。
配套还有一个机制：research releases。Fireworks 会给新的研究模型开放两周的 Serverless 访问窗口，社区需求足够就转为长期提供。这个机制明显在向开源生态示好——Kimi K3 是开源权重模型，Fireworks 在它上面做专精化再反哺社区，形成「开源基座 + 多个任务特化版本」的分层。对企业客户，Fireworks 同步开放了 Ember-1 的训练支持，用自己的数据训练定制化的省 token 模型。
Fireworks 在博客结尾给出的判断是：开源模型的未来，是针对具体工作负载训练的专精化模型。Ember-1 是这个系列的第一款，它的训练配方（开源基座 + 任务反馈强化学习 + 推理链压缩）大概率会在后续 Ember 模型上重复出现。对跑 agent 服务的团队来说，同一个开源基座衍生出多个成本档位，选模型的维度从「哪家强」多了一个「哪个特化版本匹配我的负载」。
来源：