Fireworks AI تجعل واجهة برمجة التدريب متاحة بشكل عام

أعلنت Fireworks AI في 31 أغسطس 2026 عن الإتاحة العامة لواجهة برمجة التدريب (Training API) ومختبر Fireworks Lab، مما يفتح بنية التدريب والنشر المدارة لفِرق التعلم الآلي التي ترغب في تشغيل حلقات تدريب مخصصة على النماذج المفتوحة. تربط واجهة برمجة التدريب حلقة التدريب الخاصة بالعميل المكتوبة بلغة Python بحوسبة موزعة تُدار بواسطة Fireworks، وتشمل كلًا من المدرب الذي يحسب التدرجات ويحدّث النموذج، ونشر النماذج الذي يولّد عينات منها.

وفقًا للترتيب الموضح في الإعلان، يتحكم العميل في تنظيم الحلقة من أي موقع يختاره، محتفظًا بالتحكم في دالة الخسارة أو المكافأة، والبيانات، والبيئة. تدير Fireworks التفاعل بين المدرب والنشر، بما في ذلك مزامنة الأوزان، واستعادة التبديل الفاشل، وتنسيق التدريب مع النشر. تُصنّف الشركة الواجهة كاستجابة للقيود التي تقول إن فرق التعلم الآلي أبلغت عنها في سير عمل التدريب الحالي: محدودية اختيار النماذج والأساليب، قيود على التحكم في المعلمات وحلقات التدريب، حوسبة صلبة، وبنية تدريب ونشر متفرقة.

الحوسبة بدون خادم والحوسبة المخصصة

توفر واجهة برمجة التدريب خيارين للحوسبة. يتيح التدريب بدون خادم للعملاء تدريب محولات LoRA على بنية مشتركة مع الفوترة حسب كل رمز، مع تشغيل العينة في نفس الجلسة؛ تصف Fireworks هذا الخيار بأنه ملائم لتكرار التجارب، وتقليل مخاطر التشغيل الكبير، أو تشغيل حلقات التعلم المعزز التي تتناوب بين النشر والتدريب. يستهدف التدريب المخصص تدريبًا كامل المعلمات، ونماذج خارج مجموعة الخوادم بدون خادم، وأطوال سياق أكبر أو رتب LoRA أعلى، وإنتاجية مستمرة، مع الفوترة حسب ساعة وحدة معالجة الرسومات على سعة مرنة تُحدد حسب كل تشغيل.

يرتبط المستوى بدون خادم بمجموعة مشتركة دائمًا مع قائمة مختارة من النماذج الشائعة، وسعة مشتركة، وحدود معدل لكل حساب. أما المستوى المخصص فيوفر مدربًا ونشرًا لكل تشغيل، ويدعم أوضاع LoRA والتدريب الكامل المعلمات حتى أكبر نماذج مزيج الخبراء، ولا يفرض أي تنافس أو حدود معدل. يمكن نشر نقاط التفتيش الواعدة إلى استدلال الإنتاج عبر واجهة المستخدم أو الواجهة البرمجية، وتتيح عملية النشر المتعددة لـ LoRA لكل عميل أو حالة استخدام نموذجًا مُضبطًا خاصًا به دون بنية تحتية منفصلة، بحسب الشركة.

ثلاثة أسطح تدريب

تقف واجهة برمجة التدريب إلى جانب واجهتين أخريين على منصة التدريب الخاصة بـ Fireworks. يُعنى التدريب المُدار (Managed Training) بمهندسي التعلم الآلي، ويُنفّذ وظائف مدمجة يختار فيها العميل طريقة — SFT أو DPO أو RL — ونموذجًا أساسيًا، ويُطلق من خلال واجهة المستخدم أو الواجهة البرمجية. كما أن Fireworks Lab، المتاح أيضًا بشكل عام منذ الإعلان، يدمج الباحثين والمهندسين المتواجدين في الخط الأمامي مع فرق العملاء؛ تُفتح المشاركات بتشخيص يحدد القدرة، والأساس، ومعايير النجاح، والنطاق، ثم تنتقل إلى تنفيذ مُحدَّد زمنياً، ويحتفظ العميل بالنموذج الجاهز للإنتاج، وإطار التقييم، وأنابيب البيانات، وحلقة التدريب، والوصفات.

تستهدف واجهة برمجة التدريب نفسها الباحثين في مجال التعلم الآلي وتدعم SFT و DPO و ORPO و RL والتقطير، من LoRA على حوسبة بدون خادم إلى تدريب كامل المعلمات على عناقيد مخصصة.

التعلم المعزز على نطاق واسع

تُشير Fireworks إلى أنها من بين القليل من المؤسسات خارج مختبرات الحدود التي قامت بتشغيل التعلم المعزز على أكثر من 10,000 وحدة معالجة رسومات، وتُصنّف تدريب RL حول ثلاثة متطلبات: الدقة، وكفاءة الأداء، وسرعة التطوير.

فيما يتعلق بالدقة، صرّحت الشركة بأن محرك النشر والمدرب يجب أن يتقاسما نفس التعريف الرقمي، إذ يمكن لانحراف رقمي بسيط أن يفسد إشارة التعلم عبر قطع الرموز أو انهيار المكافأة بينما يبدو كل شيء يعمل بشكل طبيعي. تقوم Fireworks بمواءمة صيغ الأرقام من الطرف إلى الطرف، بما في ذلك BF16 و FP8 على مستوى الكتل و NVFP4، وتُوحد النوى وسلوك الاختزال عبر المسارين، وتستخدم تقنية Router Replay للحفاظ على قرارات توجيه مزيج الخبراء بين النشر والمرور العكسي إلى جانب نوى ثابتة الدفعة واختزالات حتمية. وتقول الشركة إنها تتحقق من المواءمة عن طريق تشغيل تسلسلات متماثلة عبر محرك النشر والمدرب وقياس تباعد KL بين التدريب والاستدلال، مع تحقق مستمر لجميع النماذج التي تُطلق على منصة تدريب Fireworks.

فيما يخص الأداء، صرّحت Fireworks بأنها تشغّل RL غير المتزامن، حيث يتداخل جمع النشر مع التدريب بحيث تبدأ وحدات معالجة الرسومات الخاصة بالنشر في توليد الدفعة التالية بينما يقوم المدرب بتحديث الدفعة السابقة، مع حدّية لتقادم الأوزان حيث يسمح الخوارزم بذلك. بعد كل خطوة تدريب، تُحمَّل الأوزان المحدثة مباشرةً إلى نشر النشر الجاري بدلاً من إيقافه وإعادة تحميل نموذج كامل. بالنسبة لنقاط التفتيش ذات المعلمات الكاملة، تقول الشركة إنها تحسب فرق XOR بين الأوزان الحالية والسابقة وتطبق ضغط zstd، مما ينتج تقليلًا يصل إلى 10 أضعاف في عرض النطاق الترددي للنقل.

فيما يتعلق بسرعة التطوير، وصفت الشركة حلقة مستمرة من التدريب، والنشر، والتقييم، وإعادة التدريب على منصة واحدة، حيث تنتقل نقاط التفتيش مباشرةً إلى خدمة الإنتاج وتتبع الإنتاج، والتقييمات، وتغذّي الملاحظات التشغيلية للدفعة التالية. وأفادت أن الفرق تُبلغ عن حصولها على عدد من التكرارات يتراوح بين مرتين إلى أربع مرات أكثر ضمن نفس ميزانية التدريب.

نتائج العملاء المذكورة

ذكر الإعلان عدة عملاء. قامت Harvey بتدريب نموذج Kimi K3 بعد التدريب لأعمال قانونية طويلة الأجل باستخدام RL غير المتزامن؛ وسجل نموذج Harvey Tenet نسبة نجاح 19.7٪ على LAB مقابل 11.5٪ لنموذج Claude Fable 5، وبما يعادل تقريبًا ثلث تكلفة المهمة، وفقًا لـ Fireworks. استخدمت Vercel تحسينًا دقيقًا مع التعزيز وتفكيكًا تخمينيًا لمُصحّح v0 التلقائي، محققة معدل توليد خالٍ من الأخطاء بنسبة 93٪ وتحسينًا في زمن الاستجابة الكلي بمقدار 40 مرة، بحسب الشركة. نقلت Heidi Health كاتبها السريري إلى نماذج مفتوحة مُحسّنة، منتقلة من إثبات المفهوم إلى الإنتاج خلال أربعة أسابيع مع تقليل زمن الاستجابة إلى 1/3. قامت Factory بتحسين دقيق لمحوّلين LoRA صغيرين على قاعدة Qwen المفتوحة لفحص الأسرار المكشوفة؛ وبميزانية إنذارات زائفة بنسبة 5٪، التقط النموذج المدرب حوالي 70٪ من الأسرار الحقيقية مقارنةً بحوالي 59٪ لنموذج GPT‑5.5، حسب تقرير Fireworks.

واجهة برمجة التدريب متاحة الآن عبر تسجيل Fireworks الذاتي، مع إمكانية الوصول بدون خادم دون الحاجة إلى إعداد مسبق، وتوجه الشركة الفرق التي ترغب في الحصول على دعم عملي إلى استشارات Fireworks Lab.