8月20日
01:55
01:55elvis@omarsar0
Fireworks AI 进入 Trending 榜单和 Fastest growing 榜单,说明定制化模型与‘自主构建智能栈’对 AI 公司和开发者的重要性,9% 企业用 AI 做营销图像视频,类似 Figma 但增速快,更多企业转向成本节约的开源方案。
事件专题

推荐理由:Fireworks 发布双榜单消息,能看出现在 AI 公司和开发者更重视自定义模型,和之前比现在很多企业开始做成本节约的开源方案了,值得关注这种趋势
8月7日
01:28
8月1日
01:56
01:56Fireworks AI@FireworksAI_HQ
精选
Fireworks AI 在博客中建议,LoRA 表现不佳时先别急着换成更贵的全参数微调。他们用数据覆盖、优化、秩三项低成本测试,看能否缩小 LoRA 与 FullFT 的差距。在 Fireworks 的测试中,有时能缩小差距,有时不能。

推荐理由:Fireworks 试了三个便宜测试,看 LoRA 能否追平全参数微调,有时行有时不行。看完就知道先调啥。
7月28日
06:38
06:20
06:20Fireworks AI@FireworksAI_HQ
Fireworks AI 推出 Nexus,一个智能体编排层,可连接 Claude Code、Codex、OpenCode 等已有工具。Nexus 支持智能路由,自动将任务匹配到 Kimi K3、GLM-5.2 或闭源前沿模型。提供企业级预算、策略和用量可见性。开发者无需改变工作流即可使用。
推荐理由:团队用不同 AI 工具的话,Nexus 能让它们跑一个平台:自动选模型、控成本,还不改工作方式,省心省力。
7月24日
04:24
04:24Fireworks AI@FireworksAI_HQ
71°
Arize AI 与 Fireworks AI 联合对 10 个模型进行了 2400 次 agent 运行基准测试,包括 Kimi K3。结果显示,Kimi K3 在整体表现上接近 GPT-5.5。不同模型在不同任务类型上各有优势,按任务难度路由可同时优化成本和覆盖率。重试和静默故障显著改变了经济性。开发者应关注每次成功任务的成本而非 token 价格。
事件专题

推荐理由:别只盯着 token 价格了,Arize 和 Fireworks 测了 10 个模型的 2400 次 agent 运行,发现按任务难度的路由能省钱又提高成功率。Kimi K3 还追平了 GPT-5.5。
7月22日
03:04
03:04Fireworks AI@FireworksAI_HQ
Fireworks AI 在约1000个智能体任务上对比了 Kimi K3 和 Fable。K3 在安全、加密和长终端循环任务上领先,Fable 在多语言和网页/数据可视化上占优。通过每任务路由,准确率达93%,在长循环上成本比 Fable 低50倍。路由器将72-96%流量导向K3。K3 将于7月27日在 Fireworks 上线。
事件专题

推荐理由:Fireworks 用1000个智能体任务实测了 Kimi K3 和 Fable,发现按任务路由能省50倍成本,还能保持93%准确率。K3 在安全和长循环上更强。
7月9日
04:27
04:27Fireworks AI@FireworksAI_HQ
精选
Fireworks AI 高级成员 Shoucong Chen 使用 GLM 5.2 Fast 模型,在 4 天内完成了原计划 1 个月的复杂 SWE 项目。该模型推理速度约 400 tokens/s,总推理成本仅 218 美元。通过 FireConnect 可在 Claude Code 中调用此模型。作者认为快速推理能减少上下文切换,提升开发效率。
推荐理由:Fireworks AI 的 GLM 5.2 Fast 跑到了 400tok/s,4 天干完一个月活,才花 218 刀。想试试在 Claude Code 里提速的,直接 FireConnect 走起。
7月8日
02:57
7月2日
05:47
05:47Fireworks AI@FireworksAI_HQ
GLM 5.2 模型已在 Microsoft Foundry 平台上线。通过 Fireworks AI 的 FireConnect 功能,开发者能使用 Foundry PTUs 将 GLM 路由到 Codex、OpenCode 或 Pi 等工具。该集成旨在帮助团队从零重建工作流并加速开发。开发者现可立即开始使用。
事件专题

推荐理由:Fireworks AI 在微软 Foundry 上推出了 GLM 5.2,还支持用 FireConnect 路由到 Codex、OpenCode,搞工作流开发能快不少,试试呗。
6月27日
6月26日
04:52
04:52官方账号LangChain@LangChainAI
LangChain与Fireworks AI合作,基于阿里巴巴Qwen模型微调了一个法官模型。该模型用于检测用户交互中的“感知错误”(Perceived Error)。具体微调方法和评估结果已在LangChain博客文章中发布。
推荐理由:LangChain和Fireworks用Qwen搞了个裁判模型,专门抓对话里的感知错误,挺实用的,去博客看具体数据吧。
6月25日
14:45
05:27
05:27Fireworks AI@FireworksAI_HQ
精选
Fireworks AI 宣布攻克了在前沿模型上使用强化学习时,保持训练和推理数值完全一致(零KLD)的难题。他们将该解决方案作为托管服务提供,首发支持 GLM 5.2 模型。这项服务确保端到端数值对齐,简化了RL训练流程。
推荐理由:Fireworks AI 把强化学习里最头疼的数值一致性问题搞定了,还能直接托管GLM 5.2,省去自己搭基础设施的麻烦。
6月23日
22:09
22:09官方账号LangChain@LangChainAI
精选76°
LangChain与Fireworks AI合作,微调阿里Qwen模型构建了trace judge,用于检测生产trace中的“感知错误”。该judge在性能上匹敌或超越前沿模型,同时运行成本降低100倍。相关研究成果已发表在LangChain Labs博客。
推荐理由:LangChain搞了个低成本trace judge,用阿里Qwen微调,性能不输顶级模型还便宜100倍,做trace监控的可以看看。
6月16日
02:20