Fireworks 披露合作伙伴 LangChain 每天产生数十亿级代理轨迹 token，用前沿闭源模型逐条评判成本过高。对方在 Fireworks 上对 Qwen 基座微调后，评判质量可贴近 GPT-5.5 / Opus，成本最高约降 100 倍，并开放 Training API 供开发者复用同类流程。
Fireworks 宣布 Training API 与 Fireworks Lab 全面可用，把训练、采样、服务与再训练收进同一平台，面向大规模强化学习。开发者可用 Python 自管损失、奖励、数据与环境，并接入托管分布式训练与 rollout；计算提供 Serverless 快速实验与 Dedicated 控成本两种模式。平台强调 rollout 吞吐、逐步权重同步以及训练器与推理引擎一致性。Lab 可嵌入前线研究员，客户包括 Cursor、Harvey、Figma、Vercel、Cognition 与 Factory。
Fireworks 披露 Factory 的 Droid Shield 用例：面对 Droids 高速写代码与提交，密钥扫描必须低误报且跟得上评审节奏。Factory 通过 Training API 微调开源 Qwen，真实密钥检出率比 GPT-5.5 高出约 20%，同时降低成本与延迟。该案例说明专用开源权重加强化学习/微调，可在安全扫描这类可验证任务上超过通用前沿模型，并直接嵌入编码代理的提交闸门。
Fireworks AI 披露法律科技独角兽 Harvey 的首个专有大模型 Tenet。该模型以 Kimi K3 为基座，利用 Fireworks Training API 的异步强化学习进行长流程后训练，在 Harvey LAB 合约全通率基准上从 10.8% 翻倍提升至 19.7%，刷新 SOTA 纪录。
