Fireworks AI推出訓練平台預覽版，支持萬億參數全參數訓練

根據 1M AI News 監測，AI 推理基礎設施公司 Fireworks AI 發布 Fireworks Training 預覽版，從純推理平台擴展為訓練與部署一體化平台。Fireworks AI 由曾參與建構 PyTorch 的前 Meta 工程師喬琳（Lin Qiao）創立，目前估值 40 億美元，日處理 token 量達 15 兆億。

平台提供三個層級：

1. Training Agent：面向無 ML 基礎設施的產品團隊，描述任務、上傳資料即可完成從訓練到部署全流程，目前僅支援 LoRA
2. Managed Training：面向 ML 工程師，支援 SFT、DPO 和強化學習微調，含全參數訓練
3. Training API：面向研究團隊，可自訂損失函數和訓練循環，支援 GRPO、DAPO 等演算法

全參數訓練規模從單節點 Qwen3 8B 到 64 塊英偉達 B200 上的 Kimi K2.5（萬億參數）。

Fireworks AI 的生產推理客戶 AI 編程工具 Cursor、Vercel 和 Genspark 已在該平台上完成前沿強化學習訓練。Vercel 為其程式碼生成產品 v0 訓練了自動糾錯模型，無錯誤程式碼生成率達 93%，其 CTO Malte Ubl 表示，對比之下 Sonnet 3.5 僅為 62%，端到端延遲相較此前使用的封閉源模型改善 40 倍。Genspark 對萬億參數開源模型 Kimi K2 進行強化學習微調以建構深度研究代理，工具呼叫量提升 33%，成本降低 50%。Cursor 在全球 3 到 4 個叢集上分散式完成了 Composer 2 的強化學習訓練（目前在 CursorBench 排名第一），訓練與生產推理共享同一 GPU 池。

Fireworks AI 強調的核心技術差異化是訓練與推理之間的數值一致性。MoE（混合專家）模型在數值上比稠密模型更脆弱，隱藏狀態的些微變化可能翻轉專家路由並級聯放大。Fireworks 為所有支援的模型公布訓練與推理之間的 KL 散度值，皆低於 0.01。