Fireworks Research 最近上线了一个让人有些意外的专用模型 Ember-1。它的底座是月之暗面的主力推理模型 Kimi K3，参数量依旧是庞大的 2.78T MoE 架构，API 的每百万 Token 输出标价也依然维持在 15 美元，分文未降。官方宣称它能在保持基模解题能力的前提下，直接砍掉约 40% 的生成 Token。
在同行普遍用打折、降配或蒸馏小模型来降低使用门槛时，Ember-1 走了一条完全相反的工程路径。它不缩减参数，也不搞低价倾销，而是直接对推理模型冗长的自我思考过程动刀。
多轮智能体的二次方反刍危机
自从长思维链技术在复杂编程中普及以来，推理模型就患上了一种自言自语的慢性病。为了答对一道复杂的工程难题，模型经常要消耗数千甚至上万个内部思考 Token，在很多请求里，真正的有效代码只占一成，其余 90% 都在自我推演。
单次请求耗时长一点还可以容忍，但在当下主流的多轮编程智能体工作流里，这演变成了一场账单灾难。在代码生成与环境调试的循环交互中，智能体每一轮都会把上一轮完整的思考轨迹重新塞回输入上下文。上下文由此呈现二次方级别膨胀，每一次细微的代码微调，都在为前几轮已经失效的自我反思反复埋单。
许多开发者此前试图通过调低思考力度参数来压低消耗，结果往往是模型推理能力断崖式下跌。单纯让模型少想一点，等于让它强行交卷，错误率立刻飙升。
2.78T 参数不缩水，后训练剪掉了什么
Fireworks 在其 Serverless Training 平台上进行了 50 多次训练实验与 200 多次系统评估，摸索出的逻辑是通过环境任务反馈进行定向剪枝。他们没有动底层骨干网络，而是惩罚那些在推理链路中原地打转的无效死循环与过度自我怀疑。
Ember-1 保留了 Kimi K3 完整的系统规格：约 1.04M Token 的上下文窗口，兼容图像输入与函数调用。它的计费规则也与基模完全一致，未缓存输入每百万 Token 标价 3 美元，缓存输入为 0.30 美元，输出则为 15 美元。
根据内部编程评测，模型的平均输出 Token 从原本的 49.3K 压缩到了 29.9K，其中思考 Token 缩减了 71.3%，总输出降幅达到 39%，而任务评分基本持平在 0.753 对比 0.751。在两家真实客户的生产环境灰度测试里，任务整体 Token 消耗降低了约 35%。第三方网关监测显示其运行时约有 0.5 秒首字延迟与 142 tokens/s 的吞吐速率。
推理模型的价值不在于自言自语了多少行，而在于多快能给出没有漏洞的行动方案。
剪枝并非无损，跑分分歧下的现实取舍
把思考链路抽脂之后，模型并没有在所有测试集上全面获胜。仔细比对官方公布的测试成绩，能清晰看到这种剪枝策略带来的性能分化。
在偏向环境交互的测试中，Ember-1 表现抢眼。DeepSWE 1.1 基准上，它的准确率从 K3 Max 的 66.4% 大幅跃升至 75.2%，单任务测试成本下降了 23.7%；在 Terminal-Bench 2.1 上也从 80.9% 升至 82.0%，调用成本更是腰斩了 51.9%。甚至在包含 500 例临床医学案例的 Bedside Bench 上，Fireworks 宣称其成本效益线跨越了 GPT-5.6 Sol、GPT-6 Astra 与 Claude Opus 5 构成的帕累托边界。
但在极其依赖深度推理边界的基准上，代价随之浮现。在严苛的 SWE-bench Verified 评测中，Ember-1 得分为 92.2%，相比原版 K3 Max 的 93.2% 微跌了 1 个百分点；在 SWE-Interact 上也从 21.3% 滑落至 20.0%。而在业务逻辑相对单一的 τ²-Bench Airline 基准上，其准确率虽从 64% 微升至 66%，但 Token 节约幅度仅有 5.9%。
- 风险.静态疑难排错非常依赖长思维链的穷举搜索，思维截断会直接牺牲边缘长尾缺陷的定位概率。
这说明所谓的高效思考是有适用边界的。动态交互任务需要模型果断尝试并根据报错快速调整，精简思考能有效避免它陷入逻辑死结；但在复杂的冷启动单次代码修复中，被剪掉的那些冗长自问自答，恰恰可能包含解开死局的关键线索。
| 基准测试项目 | 样本量 (N) | K3 Max 准确率 | Ember-1 准确率 | 报告成本降幅 / 差额 |
|---|---|---|---|---|
| DeepSWE 1.1 | 113 | 66.4% | 75.2% | -23.7% (-$126.90) |
| Terminal-Bench 2.1 | 89 | 80.9% | 82.0% | -51.9% (-$23.10) |
| SWE-bench Verified | 500 | 93.2% | 92.2% | -15.5% (-$68.10) |
| SWE-Interact | 75 | 21.3% | 20.0% | -32.5% (-$60.80) |
| τ²-Bench Airline | 50 | 64.0% | 66.0% | -5.9% (-$0.30) |
15 美元单价下的算力账本
评估 Ember-1 的经济性，必须拆解真实的企业工作流。眼下的模型市场正在经历残酷的价格战，Qwen3.8-Max 的输出单价已经拉低至每百万 Token 6 美元，DeepSeek V4.1-Flash 的闲时输出单价甚至压到了 0.60 美元。面对这些竞品，Ember-1 维持 15 美元的输出定价，依靠的完全是每任务实际 Token 消耗的收敛。
这也意味着它的降本效果高度依赖上下文结构。如果企业工作流属于输入密集型，例如单次请求塞入数万行业务代码却只要求返回几行修改，其主要开销落在输入端，Ember-1 的省钱效果会大打折扣。只有当系统处于高频自主排错、工具连续调用的多轮交互回路中，抑制思考冗余带来的复利才会显现。
- 建议.多轮执行且思考占比畸高的智能体可立即替换测试，但纯检索阅读为主的重输入业务无需跟进。
《淮南子》讲“事莫明于有效，论莫定于有证”。目前 Ember-1 的所有对比数据均来自 Fireworks 官方披露，社区与第三方尚未完成全套基准的独立复现，其底层是否依然保留了 Kimi K3 偶发的指令遵循偏移，也需要更多生产环境检验。但它的出现至少敲掉了一个行业思维定势：当大家都在比拼谁的思维链更长、谁更能长篇大论时，如何让大参数模型学会适时闭嘴，已经成了更具工业价值的真实命题。