Ember-1: el modelo de Fireworks que aprendió a pensar menos para dar las mismas respuestas
Fireworks Research presenta Ember-1, modelo post-entrenado sobre Kimi K3 que mantiene la calidad con ~40% menos tokens. Validado en SWE-bench, Terminal Bench y dos clientes en producción real.
Fireworks Research presentó hoy Ember-1, un modelo derivado de Kimi K3 que mantiene la calidad del original con un 40% menos de tokens generados. El anuncio, firmado por el equipo de investigación de Fireworks AI, no es una versión «recortada» del modelo base: es el resultado de más de 50 experimentos de entrenamiento y 200 evaluaciones internas, entrenados sobre la plataforma serverless de la propia compañía. El lanzamiento abre una nueva línea editorial para Fireworks —la familia Ember— centrada en lo que la compañía denomina «inteligencia especializada»: modelos post-entrenados para tareas concretas, en lugar de razonadores generalistas cada vez más grandes.
La pregunta que articula el trabajo es directa: ¿realmente necesitamos que un modelo piense tanto? Las trazas de razonamiento de Kimi K3 pueden dedicar más del 90% de los tokens a procesos internos y, en flujos agénticos multi-turno, ese contexto se reenvía y se re-cobra en cada llamada. Fireworks sostiene que buena parte de ese razonamiento se puede podar sin perder precisión. El resto del artículo es cómo lo demostraron.