发布日期：2026/9/23
目录
Ember-1：减半的令牌，同样的答案
Ember-1 是 Fireworks Research 推出的全新专用模型，它在保持 Kimi K3 质量的同时，将令牌（token）消耗减少了 40%。Ember-1 基于 Kimi K3 构建，学会了削减不必要的推理过程，同时保留真正有价值的思考。我们在外部基准测试、真实客户 A/B 测试以及我们自己的编码和智能体（agent）工作负载上进行了验证，结果表明它在所有场景下都保持了原有质量。Ember-1 即日起可用，它开启了 Fireworks 持续推出专用模型的新篇章，方向由开发者下一步的需求决定。Ember 只是 Fireworks 训练（Fireworks Training）平台能够构建的众多模型中的开端。
Fireworks Research 如何构建 Ember-1
我们从用户那里了解到，他们需要以更低的成本获得 K3 的编码能力，因为其冗长的推理过程使得大规模自动化编码的成本十分高昂。调低 K3 的推理强度并不能解决这一问题——较低的强度设置会牺牲太多质量。要在保持质量的同时削减令牌，就必须让模型学会更高效地推理，而这意味着需要进行专门的训练。
为了达成这一目标，我们进行了深入的研究。团队开展了超过 50 次训练实验和 200 余次评估，并在过程中开发了新的训练算法，以在保证准确性的前提下缩短推理过程。所有这些工作都是在 Fireworks 无服务器训练（Serverless Training） 平台上完成的。我们无需自行配置或管理 GPU，因此只要有想法就能立即启动实验，只需为实际运行的资源付费，并以远低于通常的时间和成本从研究阶段推进到上线发布。
我们在多种任务上进行了训练，以确保节省的令牌能泛化到各种工作负载。训练使用的是我们自己的数据，没有使用任何客户数据。随后我们在统一的 Specialized Intelligence Index（专用智能指数）、公开基准以及真实生产流量上对 Ember-1 进行了评估，确认它在使用更少令牌的同时，质量没有任何下降。Ember-1 是 Fireworks 自主研发的模型，也是 Fireworks Research 系列模型的开山之作。
问题所在：思考模型过度思考
像 Kimi K3 这样的推理模型，其生成的大部分令牌——有时超过 90%——都花在了内部推理上，而非真正的答案。这种思考结构在单次请求上成本已经很高，而在多轮智能体工作负载中情况会更糟：每一轮都会将此前所有的推理重新送回模型，因此上下文长度会随着轮次增加而大致呈二次增长。早先轮次中冗长的推理会在后续每次调用时被重新读取（并重新计费）。
如此大量的推理真的有必要吗？我们的实验给出了否定的答案。Kimi K3 输出的推理远远超出任务所需，而多余的部分可以在不影响答案的前提下被去除。这正是我们创建 Ember-1 的方式——一个由专用智能打造的、更经济的 Kimi K3 版本。
从观察到精品模型
K3 的推理并非全部是浪费的。其中一部分属于自我反思：重新审视假设、回应反馈、或将结果追溯回先前的决策，这些都有助于模型从错误中恢复。关键在于保留这种能力，同时削减不必要的推理，并跳出低效的循环。我们相信，从任务和环境反馈中学习，可以教会模型更高效地推理，同时保持其原有能力。
对于智能体任务而言，这种学习贯穿整个交互过程。模型探索可能的动作、整合新的观察，并随着推进不断精炼自身的推理。反馈将决策与其后果关联起来，鼓励在整个任务中进行有意义的反思。
我们将这些洞见整合为一个训练集合，覆盖数学、编码、指令遵循、对话、搜索、工具使用以及软件工程等领域，既包含独立问题，也包含长程交互，以强化对观察与结果的适应性。任务反馈引导在策略（on-policy）的规划与学习，重点是在这一系列场景中保持模型能力。
公开基准和真实 A/B 测试的结果支持这一方向：在七个基准和两家客户的生产流量上，Kimi K3 的推理过程可以缩短 35%–50% 而不损失准确率。内化后的行为同样在失败的尝试上表现出克制的令牌使用，减少了漫长且低效的推理。
Specialized Intelligence Index：Ember-1 为 Bedside Bench 树立了新的帕累托前沿
本周早些时候，我们推出了 Specialized Intelligence Index（SII，专用智能指数），用于在由行业专家创建的、贴近真实世界任务的环境中，衡量开源、闭源与专用模型的水平。
我们在 Doximity 的 Bedside Bench 上评估了 Ember-1。该基准由医生验证，包含横跨 10 个专科类别的 500 个临床案例。
评估结果如何？Ember-1 在 Bedside Bench 上为开源与闭源模型——包括 GPT-5.6 Sol、GPT-6 Astra 以及 Claude Opus 5——在「每任务成本」维度上树立了新的帕累托前沿。
在更多行业基准上评估帕累托前沿
我们还在其他一些行业基准上评估了 Ember-1 在「质量–成本」前沿上的表现。我们按照 Kimi K3 公开 API 的定价（未缓存输入 3 美元/百万令牌，缓存输入 0.30 美元/百万令牌，输出 15 美元/百万令牌）计算每个基准的成本，并将通过率与三组模型进行对比：低强度推理的 K3、高强度推理的 K3、最高（默认）强度推理的 K3 以及 Ember-1。在每一个样本量超过 50 的基准上，Ember-1 都处于或接近帕累托前沿——以极低的成本匹配 K3-max 的质量，并严格优于 K3-low。我们还分析了 GPT-6 Astra、Claude Opus-5 与 GLM 5.3，结果发现 Ember-1 在帕累托前沿上同样处于领先位置。
我们进一步直接对比了 Ember-1 与原版 K3，结果如下：
| N | K3 Low | K3 High | K3 max | Ember-1 | Ember-1 vs. K3 Max | |
|---|---|---|---|---|---|---|
| Terminal Bench 2.1 | 89 | 76.4% | 77.6% | 80.9% | 82.0% | -51.9% / -23.1 美元 |
| SWE-bench Verified | 500 | 80.4% | 86.0% | 93.2% | 92.2% | -15.5% / -68.1 美元 |
| SWE-Interact | 75 | 6.7% | 13.3% | 21.3% | 20.0% | -32.5% / -60.8 美元 |
| DeepSWE 1.1 | 113 | 55.8% | 62.8% | 66.4% | 75.2% | -23.7% / -126.9 美元 |
| τ-2 Bench Airline | 50 | 64% | 64% | 64% | 66% | -5.9% / -0.3 美元 |
运行 K3 最具性价比的方式，已经不再是让它「少思考」，而是直接使用 Ember-1——一个学会了高效思考的模型。
客户验证：真实 A/B 测试
基准只能告诉你这么多。正如我们在 Specialized Intelligence Index 结果中所发现的，我们希望用更多真实工作负载、利用生产流量来测试模型。真正的考验往往是：模型在用户所依赖的产品、真实的生产流量中能否依然可靠。
我们在两家客户的真实生产编码工作负载上开展了 A/B 测试。在这两个案例中，Ember-1 都带来了令人印象深刻的令牌节省——在质量相当的前提下，每任务的令牌消耗减少了约 35%。绝大多数下游产品指标都得以保持甚至改善，包括任务完成率、成功分数以及失败率，都朝着正确的方向变化，同时令牌成本大幅下降。在 A/B 测试之后，其中一家客户已在线上生产环境中运行 Ember-1，并计划扩大规模以完全替代基础模型。
| 分数 | 步骤数 | 输出令牌 | 推理令牌削减 | 总令牌削减 | |
|---|---|---|---|---|---|
| Kimi K3 | 0.751 | 23.8 | 49.3K | - | - |
| Ember-1 | 0.753 | 21.4 | 29.9K | 71.3% | 39% |
内部验证：我们的开发者毫无察觉
Fireworks 大量的内部编码与协作流量都由我们自己的推理服务驱动。在任何客户见到 Ember-1 之前，我们先让它在内部投入使用，让开发者将其用于日常编码工作，包括在真实任务上进行大规模「氛围测试（vibe testing）」。
我们最自豪的结果是：没有消息。 没消息就是好消息。开发者在毫无察觉的情况下继续完成他们的编码工作，同时消耗的令牌显著减少。对于一款核心价值主张就是「同样的答案，更少的令牌」的模型而言，在内部流量上完成一次「隐形上线」，就是最有力的信号。