Ember-1如何减少推理令牌
Ember-1是Fireworks Research推出的专用模型，基于Kimi K3训练。Fireworks称，它学习保留有用的反思和规划，同时压缩冗余推理，在相近回答质量下平均减少约40%的令牌；这对多轮编码代理尤其重要，因为早期推理内容会在后续调用中反复进入上下文并产生费用。
Ember-1的训练与测试结果
官方介绍称，团队进行了50多次训练实验和200多次评估，并覆盖数学、编码、工具使用、搜索与软件工程等任务。其公开测试中，Ember-1在多个行业基准上接近或达到Kimi K3最高推理设置的质量，同时成本更低；在SWE-bench Verified上，Ember-1得分为92.2%，K3最高设置为93.2%。
Fireworks还报告了两家客户生产编码流量的A/B测试：每项任务的令牌数约减少35%，而任务完成、成功分数和失败率等下游指标大体持平或改善。公司内部开发者也据称没有明显察觉模型切换。不过，这些结果主要来自Fireworks自己的评估和有限的客户测试，不能直接等同于所有工作负载都能获得相同收益。
研究预览带来的开放问题
Ember-1目前以Serverless研究预览形式与基础版Kimi K3并列提供，后续是否长期保留取决于社区需求。它的核心价值不是简单调低推理强度，而是让模型学会更有效地思考；但更短的推理轨迹是否会在长链代理、罕见错误和不同领域任务中稳定保持质量，仍需要更广泛的独立测试。