概要
- Ember-1 は Kimi K3 の品質を維持しつつ、 40%少ないトークン で同等の答えを提供
- 不要な推論を削減 し、効率的な思考パターンを学習
- 外部ベンチマークや実運用A/Bテスト で高い品質とコスト削減を実証
- Fireworks Research による独自モデルで、今後も専門特化モデルを展開予定
- 企業向けカスタマイズ学習 もサポートし、用途最適化が可能
Ember-1：トークン半減、答えはそのまま
- Fireworks Research が開発した新モデル Ember-1
- Kimi K3 の品質を維持しつつ、 40%トークン削減 を実現
- 不要な推論 をカットし、必要な思考のみを効率的に保持
- 外部ベンチマーク ・ 顧客A/Bテスト ・ 自社開発ワークロード で品質検証
- Fireworks Trainingプラットフォーム を活用した今後の専門モデル展開の第一歩
Ember-1開発の背景
- ユーザーからの要望： K3のコーディング能力を低コストで利用したい
- 長い推論履歴 が自動コーディングのコスト増加要因
- 単に推論を減らすだけでは 品質低下
- 効率的な推論学習 が必要→新規アルゴリズム開発
- Fireworks Serverless Training でGPU管理不要、迅速な実験・低コスト実現
推論モデルの課題：考えすぎ問題
- Kimi K3 などのモデルは トークンの90%以上 を内部推論に消費
- マルチターンのエージェント型ワークロードでは 履歴が指数的に増大
- 実験で判明： 過剰な推論は不要、答えに影響せず削減可能
- Ember-1 は必要な自己反省やフィードバック対応を残しつつ、 無駄な推論を排除
効率的推論学習のアプローチ
- タスクと環境フィードバック から効率的推論を学習
- エージェント型タスクでは 観察・行動・推論の反復最適化
- 学習データセット： 数学・コーディング・対話・検索・ツール利用・ソフトウェア工学 など多岐にわたる
- タスクフィードバック に基づく計画・学習で能力維持と適応力強化
ベンチマーク結果：Ember-1の優位性
- Specialized Intelligence Index (SII) で業界水準を評価
- Doximity Bedside Bench （医師監修500ケース）で Paretoフロンティア達成
- GPT-5.6 Sol、GPT-6 Astra、Claude Opus 5 等をコスト/タスクで上回る
- 他業界ベンチマーク でも K3-max同等品質でコスト大幅削減
- Ember-1 は K3-low を完全に上回り、 K3-max と同等の正答率・品質
顧客・社内検証：実運用での成果
- 2社の実運用A/Bテスト で約 35%トークン削減、品質維持
- タスク完了率・成功スコア・失敗率 など主要指標も改善傾向
- 社内開発者 も違和感なく利用、トークン消費のみ大幅減
- “Same answers, fewer tokens” という価値提案を実証
今後の展開とカスタマイズ
- Ember-1 は Kimi K3 と並行して Research Preview として提供開始
- オープンソースコミュニティ 向けに2週間のサーバーレスアクセスを提供、需要に応じて恒久化
- エージェント型コーディング等、推論トークンがコストの大半を占める用途 に最適
- Fireworks Research は今後も効率化・専門特化モデルを拡充予定
- Ember-1カスタマイズ学習 も可能、企業独自データで最適化モデル構築を支援
まとめ：Ember-1で広がる可能性
- トークン効率化 がFireworksのテーマ
- 用途特化型モデル でコスト削減・品質維持を両立
- 自社ワークロード最適化 や、 新しいAI活用 の基盤となる
- 利用体験や成果はX (@FireworksAI_HQ)で共有を推奨
Ember-1 は、 高品質・低コスト のAI活用を目指す開発者・企業にとって、新たな選択肢となるモデル