Fireworks เปิด Ember-1 — Kimi K3 ที่ถูกเทรนให้คิดสั้นลง ใช้โทเคนน้อยลงราว 40% ราคาต่อโทเคนเท่าเดิม แต่เป็น Research Preview สองสัปดาห์ และไม่มีน้ำหนักให้ดาวน์โหลด

ข่าวตามหลัง: Fireworks AI เผยแพร่บล็อกเปิดตัว Ember-1 เมื่อ 23 ก.ย. 2026 แต่ข่าวนี้เพิ่งขึ้นหน้าแรก Hacker News เมื่อ 27 ก.ย. เราจึงนำมาสรุปตอนนี้ Ember-1 คือ Kimi K3 ที่ Fireworks Research เทรนต่อให้คิดสั้นลง Fireworks บอกว่าใช้โทเคนน้อยกว่าราว 40% ที่คุณภาพเท่าเดิม และบอกว่าเป็นโมเดลของ Fireworks เอง เป็นตัวแรกในซีรีส์ “specialized models”

โจทย์คือ K3 เป็นโมเดลเขียนโค้ดที่เก่ง แต่ reasoning ยาวจนงาน agentic แพง ในงานหลายเทิร์น reasoning ของเทิร์นก่อน ๆ ถูกส่งกลับเข้าโมเดลทุกครั้ง context จึงโตขึ้นเร็วมาก Fireworks บอกว่าลองลด reasoning effort ของ K3 แล้วคุณภาพหายเกินไป เลยเลือกเทรนให้โมเดล เรียนรู้ที่จะคิดให้กระชับ แทน

เทรนอย่างไร

• ทำการทดลองเทรนมากกว่า 50 รอบ และประเมินผลมากกว่า 200 ครั้ง บน Fireworks Serverless Training
• ชุดงานเทรนครอบคลุมคณิตศาสตร์, โค้ด, instruction following, บทสนทนา, search, tool use และ software engineering ทั้งงานเดี่ยวและงานหลายเทิร์น ใช้ feedback จากผลของงานนำการเรียนแบบ on-policy
• Fireworks ยืนยันว่า ไม่ได้ใช้ข้อมูลลูกค้า ในการเทรน
• ไม่มีเปเปอร์ และไม่ได้อธิบายอัลกอริทึมที่ “พัฒนาขึ้นใหม่” อย่างละเอียด

ตัวเลขเทียบกับ K3

เบนช์มาร์ก (จำนวนข้อ)	K3 low	K3 max (ค่าเริ่มต้น)	Ember-1
Terminal Bench 2.1 (89)	76.4%	80.9%	82.0%
SWE-bench Verified (500)	80.4%	93.2%	92.2%
SWE-Interact (75)	6.7%	21.3%	20.0%
DeepSWE 1.1 (113)	55.8%	66.4%	75.2%
τ²-Bench Airline (50)	64%	64%	66%

คอลัมน์สุดท้ายในตารางของ Fireworks บอกว่าต้นทุนลดลงเทียบ K3 max ตั้งแต่ -5.9% (τ²-Bench) ถึง -51.9% (Terminal Bench) ส่วน SWE-bench Verified ที่มีข้อเยอะที่สุดลดแค่ 15.5% และคะแนนต่ำกว่า K3 max 1 จุด ส่วนการทดสอบ A/B กับลูกค้าสองรายบนงานเขียนโค้ดจริง คะแนนเท่าเดิม (0.753 เทียบ 0.751) จำนวน step ลดจาก 23.8 เหลือ 21.4 output token ลดจาก 49.3K เหลือ 29.9K และโทเคนรวมลดลง 39% Fireworks บอกว่ามีลูกค้าหนึ่งรายใช้ใน production แล้ว

Fireworks ยังวัดบน Specialized Intelligence Index ของตัวเอง และบอกว่า Ember-1 อยู่บน Pareto frontier ของคุณภาพเทียบต้นทุนต่องานบน Bedside Bench ของ Doximity (เคสทางคลินิก 500 เคส) เหนือ GPT-6 Astra และ Claude Opus 5 แต่ในบล็อกแสดงผลนี้เป็นกราฟเท่านั้น

ใช้ได้แค่ไหน

• หน้าโมเดล accounts/fireworks/models/ember-1 ระบุราคา $3.00 input / $0.30 cached / $15.00 output ต่อล้านโทเคน เท่ากับ K3 บน Fireworks พอดี ส่วนที่ประหยัดจึงมาจากจำนวนโทเคนเท่านั้น
• context 1,040K โทเคน, รองรับ function calling และรับภาพได้
• เปิดเป็น Research Preview บน serverless Fireworks บอกว่าโมเดลแบบ research release จะเปิดให้ใช้ สองสัปดาห์ แล้วค่อยตัดสินใจว่าจะให้ใช้ถาวรหรือไม่ตาม demand
• ไม่มีน้ำหนักบน Hugging Face แม้ K3 จะเป็นโมเดลเปิด บล็อกบอกว่ากำลังเปิดให้ fine-tune Ember-1 ได้ แต่หน้าโมเดลตอนนี้ยังระบุ fine-tuning ว่า “Not supported”

มุมมอง AI Curator

Ember-1 ยืนยันเทรนด์ที่เราเห็นมาทั้งเดือน ตั้งแต่ ThinkingCap-Qwen3.8 ไปจนถึง HarnessTax ว่า ต้นทุนของ agentic coding ตอนนี้ขึ้นกับจำนวนโทเคนมากกว่าราคาต่อโทเคน และ reasoning ส่วนเกินเป็นจุดที่ลดได้โดยไม่เสียคุณภาพมาก ตัวเลข A/B ที่ output token หายไปเกือบ 40% โดยคะแนนเท่าเดิมน่าสนใจกว่าตารางเบนช์มาร์ก เพราะเป็นงานจริง แม้จะมาจากลูกค้าเพียงสองรายที่ไม่เปิดชื่อ

แต่ต้องอ่านอย่างระวังสามข้อ ข้อแรก ทุกตัวเลขวัดโดย Fireworks เอง และชุดทดสอบส่วนใหญ่เล็กมาก (τ²-Bench 50 ข้อ, SWE-Interact 75 ข้อ) ชุดเดียวที่ใหญ่คือ SWE-bench Verified กลับประหยัดน้อยที่สุดและคะแนนลดลง ข้อสอง นี่คือการเอาโมเดลเปิดมาทำเป็น โมเดลปิดของผู้ให้บริการรายเดียว ถ้าคุณสร้าง pipeline บน Ember-1 แล้ว Fireworks ตัดสินใจไม่ให้ใช้ต่อหลังสองสัปดาห์ ก็ต้องย้ายกลับไป K3 ข้อสาม ทีมไทยที่อยากประหยัดแบบเดียวกันแต่ต้องการควบคุมเองยังมีทางเลือกแบบเปิด เช่นไฟน์จูนที่ลดความยาวการคิดของ Qwen3.8 หรือใช้ proxy ย่อ context อย่าง CliffCompaction ข้อสรุปที่ใช้ได้เลยคือ ถ้าคุณจ่ายค่า K3 อยู่แล้ว การลองสลับ model ID เป็น Ember-1 ในช่วงพรีวิวแทบไม่มีต้นทุน แต่อย่าเพิ่งผูกระบบ production ไว้กับมัน

แหล่งข่าว

• Introducing Ember-1 — Fireworks AI Blog (23 ก.ย. 2026)
• Ember-1 — Fireworks Model Library (ราคาและสเปก)
• Kimi K3 — Fireworks Model Library (ราคาเทียบ)