أطلقت Fireworks AI نموذج Ember-1، الذي بنته بتدريب ما بعد التدريب على نموذج Kimi K3 مفتوح الأوزان من Moonshot AI. الهدف أن يتعلّم النموذج إنتاج مسارات استدلال أقصر مع الحفاظ على دقّة المهام، وتقول Fireworks إنه يقدّم جودة Kimi K3 بنحو 40% أقل من الرموز، بحسب MarkTechPost.
المشكلة: نماذج تفكّر أكثر من اللازم
تقول Fireworks إن نماذج مثل Kimi K3 تنفق أحيانًا أكثر من 90% من رموزها على التفكير الداخلي. والتكلفة تتضاعف في الأعمال الوكيلية متعدّدة الأدوار، لأن كل دور يعيد إرسال التفكير السابق إلى النموذج، فيُقرأ ويُحاسَب عليه مرّة أخرى. وخفض مستوى جهد التفكير عند الاستدلال لم يحلّ المشكلة لأنه يضحّي بالجودة كثيرًا، فدرّبت الشركة النموذج على التفكير بكفاءة بدل ذلك، مع الإبقاء على التأمّل الذاتي المفيد وحذف الحلقات غير المنتجة.
النتائج (أرقام Fireworks)
- Terminal Bench 2.1: 82.0% مقابل 80.9% لـK3 بأعلى جهد، بتكلفة أقل بـ51.9%.
- SWE-bench Verified: 92.2% مقابل 93.2% لـK3 بأعلى جهد، بتكلفة أقل بـ15.5%.
- DeepSWE 1.1: 75.2% مقابل 66.4%.
- عبر سبعة اختبارات وحركة إنتاج حقيقية لعميلين، تقول Fireworks إن تفكير K3 قصُر بنسبة 35 إلى 50% دون التضحية بالدقّة.
أجرت الشركة أكثر من 50 تجربة تدريب و200 تقييم، وطوّرت خوارزميات تدريب جديدة لم تنشرها. وتقول إنها استخدمت بياناتها الخاصّة دون بيانات العملاء.
الإتاحة
متاح فقط عبر واجهة Fireworks دون خادم (Serverless) كمعاينة بحثية. لم تنشر Fireworks الأوزان ولا كود التدريب ولا الخوارزميات، فلا يمكن استضافته ذاتيًا.
ليه ده مهم؟
بعد ThinkingCap وSonnet 5.5، هذا ثالث إعلان خلال أسبوعين يستهدف الفكرة نفسها: الأداء نفسه برموز أقل. تقصير التفكير صار مجال منافسة رئيسيًا لأنه يخفض التكلفة وزمن الاستجابة معًا. لكن Ember-1 مثال على نموذج مبني على أوزان مفتوحة دون أن يكون هو نفسه مفتوحًا.
المصادر: MarkTechPost — 2026-09-28
