Fireworks AI
PulseAugur coverage of Fireworks AI — every cluster mentioning Fireworks AI across labs, papers, and developer communities, ranked by signal.
- 2026-05-21 product_launch Fireworks AI released Composer 2.5, an updated inference infrastructure for its coding agent. 来源
- 2026-05-20 research_milestone Fireworks AI published a benchmark analyzing the execution reliability of AI models in agentic tasks. 来源
- 2026-05-18 product_launch Fireworks AI released Composer 2 and Composer 2.5, built on the Kimi K2.5 base model.
- 2026-05-18 product_launch Fireworks AI is participating in Microsoft's "Dev Your Own Way" event. 来源
- 2026-05-15 product_launch Fireworks AI announced updates to its training infrastructure, including support for Gemma 4 Dense with a 256K context window. 来源
- 2026-05-15 product_launch Fireworks AI launched a new inference infrastructure service. 来源
- 2026-05-15 product_launch Fireworks AI announced the general availability of Kimi K2.6 and DeepSeek V4 Pro models on its platform via Azure Foundry. 来源
- 2026-05-14 product_launch Fireworks AI launched its inference infrastructure on Azure AI Foundry. 来源
- 2026-05-12 product_launch Fireworks AI released full-parameter reinforcement learning for Kimi K2.6. 来源
- 2026-04-24 product_launch Fireworks AI introduced its 'safe_tokenization' feature to combat prompt injection. 来源
11 天有情绪数据
-
Fireworks AI 详解用于持续模型更新的复杂 RL 基础设施
Fireworks AI 正在详细介绍训练大型语言模型所涉及的工程挑战和解决方案，特别关注来自人类反馈的强化学习 (RL)。他们强调，产品的实际使用是最有效的 RL 环境，并强调需要能够根据实时用户交互持续更新模型的基础设施。该公司还讨论了分布式 RL 的复杂性，包括数值稳定性和跨全球集群高效同步海量模型权重的问题。
-
Fireworks AI 扩展至多城市科技周活动
Fireworks AI 正在通过参加多个城市的科技周活动来扩大其影响力，首站设在波士顿。该公司正与 Fin AI 和 Trust Vanta 在波士顿联合举办一场社交活动，邀请与会者使用 #BOSTechWeek 标签关注最新动态。
-
Fireworks AI 标记 LLM 训练与服务中的数值漂移问题
Fireworks AI 发现，在训练和部署大型语言模型（尤其是混合专家模型 MoE 架构）时，可能出现关键的数值奇偶校验错误。这些差异源于浮点运算的非结合性以及分布式训练与推理过程中求和顺序的不同，可能导致细微但显著的问题。这种漂移会因对数概率的改变而损害基于人类反馈的强化学习（RLHF）的完整性，并侵蚀客户对微调模型的信任。
-
Fireworks AI: 前沿强化学习基础设施成本低于预期
Fireworks AI 认为，关于前沿强化学习（RL）基础设施成本的传统观念存在缺陷。他们提出，与其在每次更新时传输整个多 TB 的模型检查点，不如只传输更改权重的增量。这种方法得到了经验观察和近期论文的支持，显著减少了数据传输量，使得跨区域同步在标准网络上可行。因此，这降低了在 AI 前沿竞争的门槛，挑战了只有少数大公司才能负担此类基础设施的观念。
-
DeepSeek-V4采用新颖的路由和奖励方法进行训练
DeepSeek-V4引入了新颖的训练技术，包括“预期路由”（Anticipatory Routing），通过使用旧权重进行路由决策来稳定训练；以及“生成奖励模型”（GRM），在该模型中，模型本身充当复杂任务的裁判。该模型还支持三种不同的推理模式（非思考、高思考、最大思考），并针对不同的推理深度进行了不同的配置训练。这些进步凸显了对灵活、可编程的训练基础设施的需求，这种基础设施能够适应复杂的、共同设计的模型和运行时系统。
-
Fireworks AI推出更便宜、更快的编码代理基础设施
Fireworks AI发布了其编码代理的推理基础设施更新Composer 2.5。新版本在Artificial Analysis Coding Agent Index中排名第三。Composer 2.5还提供了显著的成本降低，比之前的版本便宜10-60倍。
-
Fireworks AI 将模型微调简化为几分钟和几美分
Fireworks AI 推出了一种大大简化的开源模型微调流程。过去需要大量资源（如专用 GPU 集群和数周工作）的任务，现在只需一个简单命令，大约十分钟内即可完成，成本极低。这一进步旨在使定制模型开发更加便捷，并表明 2026 年易于获取的开放模型将成为各种应用的有效起点。
-
Fireworks AI为Cursor AI的Composer 2.5模型训练提供支持
Fireworks AI正在为Cursor AI的新Composer 2.5模型提供推理基础设施。Cursor AI团队使用一个大规模强化学习程序训练了该模型，该程序在Fireworks的平台上运行rollout。
-
LangChain 更新 Fireworks 集成以提高稳定性
LangChain 发布了其 Fireworks 集成的更新，1.4.1 版本解决了 API 连接错误和重试问题。1.4.0 版本引入了向 Fireworks AI 的 1.x SDK 迁移，并修复了上下文溢出错误。这些更新旨在提高通过 LangChain 框架使用 Fireworks 模型的稳定性和可靠性。
-
Fireworks AI：AI智能体瓶颈在于可靠性而非智力
Fireworks AI 的一项新基准测试显示，AI模型执行的可靠性，而不仅仅是智力，是智能体AI系统的关键瓶颈。在 720 项浏览器自动化任务中，一个模型近 20% 的时间未能产生有效输出，导致重试率、延迟和成本显著增加。该研究引入了“智能体执行税”来量化这一开销，强调在生产环境中，具有一致、可靠输出的模型比只有高推理分数的模型更有价值。
-
Fireworks AI 实现万亿参数 MoE 模型训练
Fireworks AI 开发了新的训练基础设施，能够微调万亿参数的混合专家（MoE）模型，克服了之前的内存和编排瓶颈。该平台在最近发布的 Cursor Composer 2.5 中发挥了关键作用，Composer 2.5 是一个在多个基准测试中取得顶尖性能的编码模型。该系统利用低精度专家量化和优化器状态卸载等技术来管理大型 MoE 模型内存需求，使其更容易进行训练和微调。
-
Fireworks AI 将在 Microsoft Build 的同期活动中展示推理基础设施
推理基础设施公司 Fireworks AI 将于 6 月 2 日参加微软的“Dev Your Own Way”活动。该活动是微软 Build 会议的一部分，表明重要的进展可能发生在主舞台演示之外。
-
Fireworks AI 通过赞助黑客松推动 AI 发展
Fireworks AI 正在赞助黑客松以鼓励 AI 应用的开发。该公司设想了一个未来，在这个未来中，个人可以在一个周末内训练自己的 AI 模型，这建立在从网络搜索功能到复杂机器人创建的 AI 开发的快速进展之上。
-
Fireworks AI 为 Gemma 4 Dense 实现 256K 上下文微调
Fireworks AI 宣布对其训练基础设施进行更新，使用户能够以 256K 的上下文窗口进行模型微调。此次更新支持全参数和 LoRA RL 训练方法，包括 SFT 和 DPO。该公司还强调了其对“vibe coding”的支持，并展示了一个广告牌。
-
PyCon US 2026 探讨 AI 基础设施和开源贡献
PyCon US 2026 在其开幕主题演讲中，由 Fireworks AI 的 Lin Qiao 主讲，讨论了 AI 基础设施、模型反馈循环和微调。此外，一个演示侧重于 AI 辅助贡献和减少开源社区的维护者负担。会议还举办了首个专门的 AI 轨道，强调了 AI 在软件开发中日益增长的整合。
-
Fireworks AI 推出快速、免费的推理基础设施
Fireworks AI 推出了新的推理基础设施服务，该服务旨在实现速度和成本效益。该服务可免费开始使用，目标是提供从第一天起就具备的快速性能。它已为 LangSmith Fleet 提供默认模型支持，表明已获得重要平台的早期采用。
-
Fireworks AI 在 Azure 上提供 Kimi K2.6 和 DeepSeek V4 Pro
Fireworks AI 已宣布 Kimi K2.6 和 DeepSeek V4 Pro 模型现已在其平台上正式可用。这些模型可通过 Azure Foundry 访问，并在美国数据区内提供 PTU 支持，为用户承诺可预测的性能。
-
Fireworks AI 训练平台新增 GLM 5.1 LoRA RL 微调功能
Fireworks AI 推出了其训练平台，现已支持 GLM 5.1 LoRA RL 微调。该平台提供 SFT、DPO 和完整的 RL 功能，并支持 200K 上下文窗口。用户可以使用自定义损失函数或默认设置，没有使用限制或信用限制。
-
Fireworks AI 在 Azure 上提供推理基础设施
Fireworks AI 在 Azure AI Foundry 上提供其推理基础设施，旨在帮助团队以生产规模运行前沿模型。该解决方案解决了许多组织在部署先进 AI 模型时面临的常见延迟、吞吐量和治理限制。
-
Fireworks AI 与 LangChain 合作，提供代理推理基础设施
Fireworks AI 正与 LangChain 合作，为高级代理提供推理基础设施。此次合作在旧金山举行的 Interrupt 2026 大会上得到强调。此次合作旨在通过确保强大的底层基础设施来支持复杂 AI 代理的开发。