Fireworks AI发布GA版Training API与Fireworks Lab(2-4x)

我是 @FireworksAI_HQ 训练平台的产品负责人。今天 Training API 和 Fireworks Lab 正式发布 GA 版。

我不会给你逐一介绍所有功能。我想告诉你，为什么各个团队会选择我们来做训练，原因往往和你预想的不一样。

有些团队把训练当成一个一次性项目：选一个模型，微调，上线，完事。成功的团队不这么想。对他们来说，这是一场掌控自有 AI 的长期押注。而这种押注需要一个能覆盖完整开发周期的合作伙伴，而不是只提供其中某一块。

基础设施选错是隐形杀手。在规模化强化学习中，训练和推理不再是两个独立系统，而是会变成一个闭环。挑战从模型选型、GPU 采购，以及实验规模扩张时的扩容空间就开始了。闭环跑起来之后，难度还会进一步上升。

训练器和部署引擎之间会出现数值漂移，你的学习信号会被污染，但所有仪表盘都还显示一切正常。GPU 在同步屏障处闲置，只为等少数几个慢生成结果。权重同步占用了原本计划给训练用的步长时间。大多数团队自己拼接计算、推理和训练后，几周后才发现这些问题。

第二个缺口是专业能力，很少有组织能在技术栈的每一层都配齐前沿实验室级别的人才。比如 harness、评估、奖励设计，同步还是异步 RL，算法能容忍多大程度的权重 stale。每一项都可能卡住进度，而这些都不是你一开始要解决的核心问题。你要解决的是你希望模型完成的任务，剩下的这些都是额外成本。

这就是只卖产品和做合作伙伴的区别。我们带来前沿实验室级的基础设施，适配你当前的任何阶段。你可以从托管训练起步，带来你自己的数据或评估，由我们来跑闭环。

想要更多控制权，可以在无服务器架构上使用 Training API，快速迭代你的奖励或训练方案。准备好规模化了，可以切换到专属集群运行全参数训练。想要直接有人入驻团队，Fireworks Lab 会把研究人员、工程师和产品经理嵌入你的团队，从协同设计一直到交付定制好的最终成果。

全程都是同一个平台，所有模型都已经支持在弹性计算上训练。你不会被锁定在某一个模型、某一种 GPU 或者某一个集群规模上。

我有时候会听到反对意见：“我们自己在内部做就好了”，我的回答是“成本是多少？”你有多看重上市时间？你对质量的底线在哪里？

客户告诉我们，用我们的服务比自己搭建或其他方案，在相同预算内能多做 2-4 倍的迭代。对大多数团队来说，更高 ROI 的选择是让自己的人专注在数据、评估和产品品味上，剩下的交给我们，我们做得更好、更快、更便宜。

因为如果模型质量达不到上线标准，一切都没有意义。这就是大家漏掉的点。方向对了的话，专用模型不只能在你的任务上跟上前沿模型的水平，还能超越它。

关于成本还有一点想说，因为大家都搞错了 benchmark 的方式。问题从来不是 GPU 时便宜不便宜，而是每颗 GPU 能产出多少质量，以及你能多快迭代性能……