К содержимому
Дайджест

Ember-1: та же Kimi K3, но на 40% меньше токенов

Panda Making Money·28 сентября 2026·23:08
можно прочитать понять, как устроено
Открыть на YouTube
Разбор модели Ember-1 от Fireworks Research — ретрейна Kimi K3 с сокращённым рассуждением — для разработчиков и практиков, которые запускают агентные рабочие нагрузки и хотят снизить расход токенов.

Что в ролике

Если вы запускали агентные цепочки на рассуждающих моделях и видели, как расход токенов растёт без видимой причины, Ember-1 от Fireworks Research адресован именно этому. Это не новая архитектура, а ретрейн открытой модели Kimi K3 от Moonshot AI, который сокращает объём внутренних рассуждений примерно на 40% при том же качестве ответов. Fireworks объясняет проблему тем, что рассуждающие модели тратят больше 90% токенов на внутреннее обдумывание, а в многошаговых агентных задачах эти следы рассуждений повторно скармливаются модели на каждом шаге, из-за чего контекст растёт почти квадратично. Вместо ручки усилий low/high/max, которая резала и качество, команда провела больше 50 обучающих экспериментов и 200+ оценок на данных по математике, коду, инструкциям, диалогам, поиску и работе с инструментами, включая многошаговые сценарии. В бенчмарках Terminal Bench 2,1 и DeepSWE 1,1 Ember-1 обошла Kimi K3 на максимальном усилии, сэкономив 52% и 24% токенов соответственно, тогда как в SWE-bench Verified и Software Engineering Interact немного уступила по точности, но всё равно потратила меньше токенов. Fireworks также показала результат на Bedside Bench из 500 подтверждённых врачами клинических кейсов, утверждая новый парето-фронтир по соотношению качества и стоимости против GPT-5,6 Soul, GPT-6 Astra и Claude Opus 5. В реальных A/B-тестах у двух клиентов модель повторила качество Kimi K3 при сокращении токенов на 39% и 35%, а собственные разработчики Fireworks не заметили подмены, когда модель внедрили внутри компании.

Практика

Что получишь
Понять, за счёт чего Ember-1 сокращает расход токенов в агентных задачах и в каких сценариях экономия близка к 50%, а в каких — к 6%, чтобы решить, стоит ли тестировать модель прямо сейчас.
Первый шаг
Зарегистрироваться на платформе Fireworks, запустить research preview Ember-1 через API и сравнить расход токенов с Kimi K3 на собственном агентном сценарии.
Цифры
  • —52% — на столько Ember-1 сократила токены в Terminal Bench 2,1, обойдя Kimi K3 на max effort (82% против 80,9% точности)
  • —$127 — экономия на задачу в DeepSWE 1,1, где Ember-1 набрала 75,2% против 66,4% у Kimi K3
  • —6% — минимальная экономия в бенчмарке TA 2 Bench Airline; все уровни усилий Kimi K3 там давали одинаковые 64% точности
  • —39% — общее сокращение токенов у первого клиента в A/B-тесте при почти том же качестве (0,753 против 0,751)
Честно
Автор не продвигает собственный продукт, только просит подписку и лайк. Модель доступна только через API Fireworks в двухнедельном research preview без открытых весов и опубликованной цены, а все бенчмарки и A/B-тесты пока не воспроизведены независимо.
Если слова незнакомы — 5 терминов

Компоненты

7 шт.

Формат: разбор · для практикующих · уверенность разметки 0.88 · источник