وفقًا لمراقبة 1M AI News، أطلقت شركة Fireworks AI، المختصة بالبنية التحتية لعرض الذكاء الاصطناعي، معاينة Fireworks Training، موسعة من منصة عرض فقط إلى منصة متكاملة للتدريب والنشر. تأسست Fireworks AI على يد لين تشياو، مهندس سابق في Meta شارك في تطوير PyTorch، وتقدر قيمتها حاليًا بـ 4 مليارات دولار، وتعالج 15 تريليون رمز يوميًا. تقدم المنصة ثلاث مستويات: 1. وكيل التدريب: مخصص لفرق المنتجات التي لا تمتلك بنية تحتية لتعلم الآلة، مما يسمح لهم بوصف المهام وتحميل البيانات لإكمال العملية من التدريب إلى النشر، وتدعم حاليًا فقط LoRA؛ 2. التدريب المُدار: موجه لمهندسي تعلم الآلة، يدعم SFT و DPO والتعلم المعزز، بما في ذلك تدريب المعلمات الكامل؛ 3. واجهة برمجة التطبيقات للتدريب: موجهة لفرق البحث، تتيح تخصيص دوال الخسارة ودوارات التدريب، وتدعم خوارزميات مثل GRPO و DAPO، مع نطاق كامل من تدريب المعلمات من Qwen3 8B على عقدة واحدة إلى Kimi K2.5 (تريليون معلمة) على 64 بطاقة NVIDIA B200. أكملت عملاء Fireworks AI في الإنتاج، وأدوات برمجة الذكاء الاصطناعي Cursor و Vercel و Genspark، تدريبًا متقدمًا معززًا على هذه المنصة. قامت Vercel بتدريب نموذج تصحيح الأخطاء التلقائي لمنتجها لتوليد الشفرة الإصدار 0، محققًا 93% من التوليد الخالي من الأخطاء مقارنة بـ 62% فقط في Sonnet 3.5، وحسن زمن الاستجابة من النهاية إلى النهاية بمقدار 40 مرة مقارنة بالنموذج المغلق المستخدم سابقًا. قامت Genspark بإعادة تدريب نموذج مفتوح من تريليون معلمة Kimi K2 باستخدام التعلم المعزز لإنشاء وكيل بحث عميق، مما زاد من استخدام الأداة بنسبة 33% وخفض التكاليف بنسبة 50%. أكملت Cursor تدريبًا موزعًا معززًا لـ Composer 2 عبر 3-4 عنقودات حول العالم (وتحتل حاليًا المركز الأول على CursorBench)، وتشارك نفس مجموعة GPU للتدريب والإنتاج. تؤكد Fireworks AI على تميزها التكنولوجي الرئيسي في التوافق العددي بين التدريب والنشر. نماذج MoE (مجموعة خبراء مختلطة) أكثر هشاشة من النماذج الكثيفة، حيث يمكن أن تؤدي تغييرات طفيفة في الحالات المخفية إلى تغيير مسارات الخبراء وتعزيز التأثيرات المتسلسلة. نشرت Fireworks قيم KL-divergence بين التدريب والنشر لجميع النماذج المدعومة، وجميعها أقل من 0.01.