Fireworks AI 近日推出了一款名为 Ember-1 的专用模型，其底座是 Moonshot AI 开放权重的 Kimi K3，并在此基础上完成了后训练。这一动作意味着，围绕开源权重模型进行二次优化、面向特定推理场景做减法，正在成为厂商差异化竞争的一条路径。

Ember-1 的核心改进落在推理过程的内部优化上。官方信息显示，该模型在维持任务准确率的同时，将生成的推理 Token 削减了约 40%。值得注意的是，这种缩减并非简单调低推理努力程度，而是保留了有价值的自我反思环节，同时压缩掉冗余的循环步骤。

在基准测试层面，Ember-1 于 Terminal Bench 2.1 和 DeepSWE 1.1 两项评测中均取得了优于 K3 Max 的表现。此外，Fireworks AI 表示该模型在生产环境的 A/B 测试中带来了显著的成本节约，这与其推理 Token 数量下降直接相关。

从可用性看，Ember-1 目前仅通过 Fireworks Serverless API 以研究预览形式对外提供，权重并未开放。对于关注推理成本与部署效率的团队而言，这一模型的后续开放程度和实际调用表现值得持续跟踪。