告别租用智能：Fireworks AI 谈专用模型的训练-部署闭环

Fireworks AI 应用机器学习团队负责人 Jetashree Ravi 讲解团队如何从闭源模型迁移到开源模型而不损失质量。她提出三点：GLM 5.2 等开源模型已可生产使用；定制化能弥补剩余质量差距；AI 栈正转向持续训练与服务的闭环。她披露 Fireworks 规模约为 30 万亿 token、服务 1 万多家公司，并给出客户结果：Cursor 的 Composer 2 在 Fireworks 上训练与托管，推理快 13 倍；Vercel 延迟改善 40 倍；Genspark 经强化微调质量提升 12%。她还介绍 FireAttention 引擎及其自定义 CUDA kernel、使用自定义草稿模型的投机解码，以及三种训练方式（训练 agent、托管训练、支持 SFT/RFT/DPO 的训练 API）。上述数据均为厂商自述，未经独立验证。

AI推荐理由 Fireworks AI 应用机器学习团队负责人 Jetashree Ravi 的演讲，给出从闭源模型迁移到开源模型的具体路径：开源模型（如 GLM 5.2）已可生产使用、定制化可弥补质量差距、AI 栈转向持续训练-服务闭环。文中列出 Fireworks 规模（约 30 万亿 token、1 万+ 公司）及客户案例（Cursor Composer 2 推理快 13 倍、Vercel 延迟改善 40 倍、Genspark 强化微调质量提升 12%），并介绍 FireAttention 引擎、自定义 CUDA kernel、投机解码与三种训练方式。这些数字来自厂商自述，未经独立验证，需谨慎看待；但内容对关注开源模型落地、推理优化和训练-部署闭环的开发者有实际参考价值。