Fireworks AI lança no Forge inference de até 1.500 tokens por segundo e o Nexus para empresas

O Fireworks Forge, primeira conferência anual da empresa, serviu de palco para um pacote de lançamentos com foco em custo, controle e velocidade. O destaque técnico é o Fireworks Ultra-fast, rodando em GPUs NVIDIA Blackwell. Está em public preview e chega a até 1.500 tokens por segundo, número demonstrado com o DeepSeek V4.1 Flash. Em um teste interno de agente com 30 turnos, o tempo de conclusão caiu de 1 minuto para 8 segundos. Vale lembrar que são números da própria empresa, em benchmark escolhido por ela.

Para tarefas que podem esperar, o Background Mode cobra metade do preço, indicado para geração de dados de avaliação e pesquisa noturna. Há ainda Prompt Caching de vários dias, limites de taxa maiores no serverless (já em disponibilidade geral) e o Elastic Burst, também GA, que deixa o cliente passar do teto de uso quando há capacidade ociosa. O Nexus leva modelos abertos e fechados para Codex app, Claude Desktop e OpenCode, com planos Pro a partir de US$ 8 por mês e Teams a partir de US$ 10 por assento. No treinamento, o No Eval (private preview) gera avaliações a partir de traces de produção, e o Specialized Model Inference (public preview) serve adaptadores LoRA em modo serverless, começando pelo GLM 5.3 Flash, sem cobrança quando o modelo está parado. O Fireworks Sovereign, em private preview, leva o motor de inference para a nuvem ou o data center do cliente. A empresa diz que já gerencia mais de 25.000 GPUs em ambientes de clientes.

O Ember-1 já tinha sido tratado antes. Em 24 de setembro de 2026, o CEVIU noticiou "Fireworks AI Lança Ember-1: Nova Geração de Modelo Especializado com Otimização de Tokens", sobre um modelo derivado do Kimi K3 que prometia igualar seu desempenho com 40% menos tokens. Em 28 de setembro de 2026, saiu "Fireworks AI Lança Ember-1: Modelo Otimizado para Raciocínio em IA". Agora o Ember-1 aparece dentro de uma estratégia maior: a Fireworks o cita como exemplo de como modelos especializados melhoram a economia de inference, disponível em serverless e deployments dedicados, com a mesma cifra de cerca de 40% menos tokens em avaliações próprias.

Outro fio é o DeepSeek V4.1 Flash. Em 21 de outubro de 2026, o CEVIU publicou "DeepInfer e DeepSeek V4.1 Flash: Eficiência e Escala em Inference de IA". Agora é esse modelo que a Fireworks usa para demonstrar os 1.500 tokens por segundo do Ultra-fast.

Para quem opera agentes em produção, a leitura é que a Fireworks tenta separar o gasto por tipo de carga: rápido e caro onde há usuário esperando, lento e pela metade do preço onde não há. Para quem treina modelos próprios, a combinação de avaliação automática e serving de LoRA sem custo ocioso ataca dois gargalos práticos. Os números de velocidade e economia vêm da fabricante, então convém testar com a sua carga antes de planejar orçamento. E o Ultra-fast ainda é preview.