파이어웍스 AI 가 9월 23일 블로그에 소개한 Ember-1 은 문샷의 오픈 웨이트 모델 키미 K3(2.78조 파라미터 MoE)를 추가 학습해 비슷한 품질에서 추론 토큰을 약 40% 덜 쓰게 만든 코딩 중심 추론 모델이에요. 파이어웍스 자체 측정으로 SWE-bench Verified 92.2%(K3 93.2%), DeepSWE 1.1 75.2%(K3 66.4%), 터미널 벤치 2.1 82.0%(K3 80.9%)이고, 고객 A/B 시험에서는 작업당 토큰이 약 35% 줄었다고 해요. 다만 가격은 100만 토큰당 입력 3달러·캐시 입력 0.30달러·출력 15달러로 K3 와 같고, 가중치는 허깅페이스에 없으며, 파이어웍스 서버리스에서 2주 동안만 여는 연구 프리뷰라 수요에 따라 상시 제공 여부를 정한다고 적혀 있어요.
용어 풀이
- MoE
- 전문가 혼합(Mixture of Experts). 입력마다 일부 하위 신경망만 골라 계산하는 모델 구조
- SWE-bench Verified
- 실제 깃허브 이슈를 고치는 능력을 재는 코딩 벤치마크
- A/B 시험
- 두 가지 안을 실제 사용자에게 나눠 적용해 결과를 비교하는 실험
- 서버리스
- 서버를 직접 띄우지 않고 호출한 만큼 요금을 내는 방식
운영자 인사이트
토큰당 값이 같으니 절감은 오로지 토큰을 덜 쓰는 데서 나오고, 그 폭은 회사 수치예요. 키미 K3 를 에이전트에 쓰고 있다면 프리뷰가 열린 동안 같은 작업을 두 모델로 돌려 작업당 비용과 통과율을 직접 비교해 보고, 2주 뒤 사라질 수 있으니 운영 경로에 바로 넣지는 마세요.
여러 관점으로 보기
- 모델 페이지 모델 페이지에는 입력 3달러·출력 15달러, 문맥 길이 104만 토큰, OpenAI 호환 클라이언트 지원이 적혀 있고 가중치 내려받기 안내는 없어요. Fireworks AI
- 해커뉴스 반응 오픈 웨이트로 학습하고 가중치는 닫았다는 비판과 토큰당 가격이 K3 와 같다는 지적이 이어졌고, 비슷한 성능의 GLM 5.3 이 절반 이하 값이라거나 오푸스 5.5 와 비교가 빠졌다는 반론도 나왔어요. Hacker News