Fireworks、エージェント推論の高速化とソブリン環境への導入を発表

Fireworksは、2026年11月3日に開催した初の年次カンファレンス「Forge」で、企業向けAI製品群を発表した。発表の中心となったのは、DeepSeek V4.1 Flashで最大毎秒1,500トークンに達したというUltra-fast推論のプレビューだ。このほか、モデルルーティング、評価、特化型サービングの各種ツールと、顧客所有のインフラ向け「Fireworks Sovereign」のプライベートプレビューも発表した。

ワークロードに応じて推論速度とコストを調整

Ultra-fastは、NVIDIA Blackwell GPU上でパブリックプレビューとして提供されており、複数のステップを踏むエージェント向けに設計されている。こうしたエージェントでは、モデルを呼び出すたびに結果を得るまでの待ち時間が増える。Fireworksによると、同社の30ターンのエージェントベンチマークでは、Ultra-fastにより処理完了までの時間が1分から8秒に短縮された。この機能は時間的制約のある作業を対象としており、待ち時間を許容できるタスク向けには、より安価な選択肢も用意されている。

待ち時間を許容できる作業向けのBackground Modeでは、評価データの生成や夜間の調査など、対象となるタスクを半額で実行できる。複数日にわたるPrompt Cachingは、コンテキストを繰り返し使用する際のコスト削減を目的としている。高負荷のワークロード向けには、サーバーレスのレート制限引き上げとElastic Burstが一般提供されている。Elastic Burstは、余剰容量がある場合、コードや料金体系を変更することなく、顧客の通常の使用上限を超えて利用できる。

2026年9月14日にFireworksが実施したDeepSeek V4.1 Flashのベンチマークは、コンテキストの再利用が重要な理由を示している。DeepSWEの実行では、入力トークンの99.6%がキャッシュヒットとなり、キャッシュヒット分の料金が請求額の60%を占めた。この内訳から、長時間稼働するエージェントでは、生成された出力だけを支出源と見なすのではなく、繰り返し使うコンテキストも大きなコスト削減対象となることが分かる。

同じコスト削減の考え方は、モデルの特化にも及ぶ。Ember-1は、2026年9月23日にサーバーレスのリサーチプレビューとして発表された。Fireworksの評価では、品質が同程度のKimi K3と比べ、使用トークン数を約40%削減した。サーバーレス環境と専有環境の両方で利用できる。

Nexus Desktopとサブスクリプション料金

Fireworks Nexusは、既存のコーディングツールや共同作業ツール内で、オープンモデルとクローズドモデルを切り替えて利用できる。ユーザーに合わせたモデル選択とキャッシュの認識機能を備えるほか、組織全体の利用状況や支出を一元的に可視化し、管理できる。既存のNexus CLIに加えてNexus Desktopがリリースされ、NexusはCodexアプリ、Claude Desktop、OpenCode上で動作する。

新しいNexus Proプランは月額8ドルから、Teamsプランは1席あたり月額10ドルから利用できる。Enterpriseプランには、シングルサインオン、ガバナンス、共有予算、アクセス制御が含まれる。

Nexus Desktopのドキュメントによると、Appleシリコン搭載MacとIntel Macの両方に対応するmacOS用ユニバーサルビルドが用意されており、LinuxとWindowsへの対応も近日中に予定されている。CLIはmacOSとLinuxで動作し、WindowsではGit Bashを介した限定的なサポートを提供する。DesktopはChatGPT、Claude Code、Cursor IDE、VS Code、OpenCodeに接続できる。一方、Claude Desktopのサポートは限定的とされている。

評価と特化型モデルサービング

現在プライベートプレビュー中のNo Evalは、本番システムのトレースと製品から得られるシグナルを使い、特定のタスク向けの評価を構築する。この評価により、モデルの弱点を明らかにし、その後のトレーニングで弱点が解消されたかどうかを確認できる。こうした作業には、従来、データのラベリングや採点に数週間かかることもあった。

特化型モデル推論は、Fireworksの共有サーバーレスプール上でLoRAアダプターをサービングする機能として、パブリックプレビューに入った。まずGLM 5.3 Flashに対応する。顧客はデプロイを作成することなく、ベースモデルのサーバーレス料金でトークンごとに支払う。アダプターの読み込み、読み込み状態の維持、アイドル時間にはサービング料金がかからず、トレーニング料金は別途請求される。

GLM 5.3 Flashの公表料金は、入力トークン100万件あたり0.15ドル、キャッシュされた入力トークン100万件あたり0.03ドル、出力トークン100万件あたり0.50ドル。

プレビューでは、LoRAランクは最大64まで、ベースモデルごとにアカウントあたり最大3つのアダプターを読み込める。Fireworksの説明では、読み込みには5分未満かかり、最初のリクエストは最大1分かかる場合がある。その後のリクエストはベースモデルとほぼ同等のレイテンシーとなるが、プレビュー期間中のレイテンシーは保証されない。

アダプターは、他の顧客のアダプターとGPUを共有して動作する。レイテンシーの安定性、GPUの分離、特定のリージョン、高精度のサービングが必要なワークロードには、専有環境が推奨される。サーバーレスは、試験的な利用やトラフィックの変動が大きい用途を想定している。

エンタープライズ向け管理機能とソブリン環境への導入

モデルガバナンス、支出管理、エクスポート可能な監査ログが一般提供となった。アカウントの一元管理、リージョン別のデータ管理、顧客管理型の暗号化は、引き続きプレビュー段階にある。

プライベートプレビュー中のFireworks Sovereignは、同社の推論エンジンを顧客のクラウド、ネオクラウド、またはデータセンターで稼働させる。推論とトレーニングは顧客の環境内で行われ、顧客のセキュリティポリシーと変更管理ポリシーに従う。Fireworksによると、顧客環境で管理しているGPUは25,000基を超える。

この運用モデルでは、両者の責任を分担します。Fireworksはクラスターの適格性を確認し、モデルをデプロイするとともに、アップグレード、監視、パフォーマンス調整、インシデント対応を担います。一方、アーキテクチャとポリシーの所有権は顧客が保持します。顧客は、イングレス、ロードバランシング、DNS、TLS証明書、承認済みのアウトバウンド経路を管理します。Fireworksのコントロールプレーンは、監査可能な専用認証情報を使用し、アウトバウンド通信はモデルの重みとイメージの取得、および運用テレメトリーに限定されます。

Fireworksによると、Sovereignは同一のハードウェアでスループットを20%～50%向上させ、ハードウェアへの支出1ドルあたり約2.3倍のトークンを処理できます。任意で利用できるハイブリッド・オーバーフロー機能では、クラスターが飽和状態になると、対象となるワークロードを顧客が承認したリージョンのFireworks Cloudに移行し、需要が落ち着けば顧客のGPUに戻します。移行中も同じAPIを使用します。

Forgeの製品ラインでは、モデルの選択、推論のコスト効率、インフラの制御を、企業にとって一体的な意思決定の要素としています。重要な留意点は、選択肢ごとに運用条件が異なることです。サーバーレスアダプターは専用キャパシティを必要としない一方、共有GPU上で稼働し、プレビュー段階でのレイテンシ保証はありません。これに対してSovereignは、顧客所有のインフラとFireworksが運用するサービングスタックを組み合わせています。