Ember-1 par Fireworks : même qualité, tokens divisés par deux

Fireworks Research a lancé Ember-1, un nouveau modèle d'intelligence artificielle conçu pour offrir les mêmes performances que son prédécesseur Kimi K3, mais avec une consommation de tokens réduite de 40 à 50 %. Cette innovation répond à un défi majeur du déploiement des modèles de raisonnement avancés : leurs traces de réflexion internes génèrent un nombre excessif de tokens, ce qui alourdit considérablement les coûts, surtout dans les environnements agentic où chaque interaction requiert la réévaluation de l'historique complet. Plutôt que de simplement diminuer la profondeur de raisonnement, ce qui aurait dégradé la précision, les équipes de Fireworks ont opté pour un entraînement ciblé visant à supprimer les raisonnements superflus tout en conservant la réflexion critique et l'autocorrection. Le développement a été réalisé entièrement sur la plateforme Serverless Training de Fireworks, permettant aux chercheurs de mener plus de cinquante expériences et deux cents évaluations sans gérer d'infrastructures matérielles. L'entraînement a couvert un large éventail de tâches, incluant les mathématiques, la programmation, l'ingénierie logicielle et l'utilisation d'outils, afin de garantir que les gains d'efficacité se maintiennent dans divers contextes. L'approche a consisté à fournir au modèle un retour d'information continu sur les conséquences de ses décisions, l'incitant à optimiser ses chaînes de pensée et à éviter les boucles improductives. Les résultats des tests confirment la viabilité de cette méthode. Sur des benchmarks publics comme le Bedside Bench médical et SWE-bench, Ember-1 se place parmi les meilleurs compromis entre qualité et coût, égalant ou dépassant des modèles de référence tels que GPT-5.6, GPT-6 et Claude Opus 5. Les évaluations en production avec deux clients ont montré une réduction de tokens d'environ 35 %, accompagnée de taux de complétion et de réussite équivalents ou supérieurs à ceux du modèle original. En interne, les développeurs de Fireworks ont intégré le modèle à leurs flux de travail quotidiens sans observer de baisse de performance, validant ainsi sa fiabilité dans des conditions réelles. Disponible dès aujourd'hui en version expérimentale sur le service Serverless, Ember-1 s'inscrit dans une nouvelle stratégie de Fireworks Research centrée sur les modèles spécialisés et économes en ressources. La société annonce également le lancement d'un support d'entraînement permettant aux entreprises de personnaliser le modèle avec leurs propres données pour adapter son efficacité à leurs cas d'usage spécifiques. Ember-1 marque une étape vers une intelligence artificielle plus économique, où l'optimisation des tokens ne se fait plus au détriment de la précision, mais grâce à une réflexion plus ciblée.