Fireworks anuncia inferência mais rápida para agentes e implantação soberana

Fireworks anunciou uma série de produtos de IA para empresas em 3 de novembro de 2026, durante sua primeira conferência anual Forge. O destaque foi uma prévia da inferência Ultra-fast, que, segundo a empresa, atingiu até 1.500 tokens por segundo no DeepSeek V4.1 Flash. O anúncio também incluiu ferramentas de roteamento de modelos, avaliação e serviço especializado, além de uma prévia privada do Fireworks Sovereign para infraestrutura pertencente ao cliente.

Adequar a velocidade e o custo da inferência à carga de trabalho

O Ultra-fast está em prévia pública em GPUs NVIDIA Blackwell e foi projetado para agentes que executam várias etapas, nos quais cada chamada ao modelo aumenta o tempo de espera pelo resultado. A Fireworks informou que, com o Ultra-fast, o tempo de conclusão de seu benchmark de agentes de 30 rodadas caiu de um minuto para oito segundos. O recurso é voltado a trabalhos sensíveis ao tempo, enquanto opções mais baratas atendem a tarefas que podem esperar.

Para tarefas que toleram atrasos, o Modo em segundo plano executa tarefas elegíveis, como a geração de dados de avaliação e pesquisas realizadas durante a noite, pela metade do preço. O cache de prompts por vários dias visa reduzir o custo do contexto repetido. Limites mais altos de requisições no serviço sem servidor e o Elastic Burst estão disponíveis de forma geral para cargas de trabalho mais intensas; quando há capacidade ociosa, o Elastic Burst pode ultrapassar o limite de uso normal do cliente, sem exigir alterações no código nem nos preços.

Um benchmark da Fireworks de 14 de setembro de 2026 com o DeepSeek V4.1 Flash mostra por que o contexto repetido é importante. Na execução do DeepSWE, 99,6% dos tokens de entrada foram acertos de cache, e as cobranças por acertos de cache representaram 60% da conta. Essa distribuição mostra que o contexto repetido é um alvo relevante para reduzir custos em agentes de longa duração, em vez de considerar a saída gerada como a única fonte de gastos.

A mesma preocupação com custos se estende à especialização de modelos. O Ember-1, lançado em 23 de setembro de 2026 como prévia de pesquisa no serviço sem servidor, usou cerca de 40% menos tokens que o Kimi K3 em avaliações da Fireworks, com qualidade comparável. Ele está disponível em implantações sem servidor e dedicadas.

Nexus Desktop e preços das assinaturas

O Fireworks Nexus encaminha solicitações entre modelos abertos e fechados em ferramentas existentes de programação e trabalho colaborativo, com seleção personalizada de modelos e reconhecimento de cache. Também centraliza a visibilidade dos gastos e os controles para organizações. O Nexus Desktop foi lançado junto com o já existente Nexus CLI, com o Nexus funcionando no aplicativo Codex, no Claude Desktop e no OpenCode.

Os novos planos Nexus Pro custam a partir de US$ 8 por mês, enquanto os planos Teams custam a partir de US$ 10 por usuário por mês. Os planos Enterprise incluem logon único, governança, orçamentos compartilhados e controles de acesso.

A documentação do Nexus Desktop lista uma versão universal do macOS para Macs com Apple Silicon e processadores Intel, com suporte a Linux e Windows previsto para breve. O CLI funciona no macOS e no Linux, com suporte limitado ao Windows por meio do Git Bash. As conexões do Desktop incluem ChatGPT, Claude Code, Cursor IDE, VS Code e OpenCode, enquanto o suporte ao Claude Desktop é descrito como limitado.

Avaliação e serviço especializado de modelos

O No Eval, agora em prévia privada, usa rastros de sistemas de produção e sinais de produtos para criar avaliações de tarefas específicas. Essas avaliações têm como objetivo revelar as fragilidades dos modelos e mostrar se treinamentos posteriores as corrigem, abordando um trabalho que, de outra forma, pode exigir semanas de rotulagem e classificação de dados.

A inferência especializada de modelos entrou em prévia pública para disponibilizar adaptadores LoRA no pool compartilhado sem servidor da Fireworks, inicialmente com o GLM 5.3 Flash. Os clientes pagam por token, de acordo com o preço do modelo base no serviço sem servidor, sem precisar criar uma implantação. O carregamento de um adaptador, sua permanência na memória e o tempo ocioso não geram cobranças pelo serviço, enquanto o treinamento é cobrado separadamente.

Para o GLM 5.3 Flash, as tarifas informadas são de US$ 0,15 por milhão de tokens de entrada, US$ 0,03 por milhão de tokens de entrada em cache e US$ 0,50 por milhão de tokens de saída.

A prévia oferece suporte a uma classificação LoRA máxima de 64 e a até três adaptadores carregados por conta para o modelo base. A Fireworks informa que o carregamento leva menos de cinco minutos, que a primeira solicitação pode demorar até um minuto e que as solicitações seguintes têm latência aproximadamente igual à do modelo base. Durante a prévia, não há garantias de latência.

Os adaptadores são executados em GPUs compartilhadas com os adaptadores de outros clientes. Para cargas de trabalho que exigem latência consistente, GPUs isoladas, uma região específica ou serviço com maior precisão, a opção recomendada são as implantações dedicadas; o serviço sem servidor é voltado à experimentação e a tráfego com picos.

Controles empresariais e implantação soberana

A governança de modelos, os controles de gastos e os registros de auditoria exportáveis estão agora disponíveis de forma geral. O gerenciamento centralizado de contas, os controles regionais de dados e a criptografia gerenciada pelo cliente continuam em prévia.

O Fireworks Sovereign, em prévia privada, executa o mecanismo de inferência da empresa na nuvem, em uma neocloud ou no centro de dados do cliente. A inferência e o treinamento permanecem no ambiente do cliente e sujeitos às políticas de segurança e controle de alterações dele. A Fireworks informa que gerencia mais de 25.000 GPUs em ambientes de clientes.

O modelo operacional divide as responsabilidades entre as duas partes. A Fireworks homologa o cluster, implanta modelos e cuida das atualizações, do monitoramento, da otimização do desempenho e da resposta a incidentes, enquanto o cliente mantém a propriedade da arquitetura e das políticas. Os clientes gerenciam a entrada de tráfego, o balanceamento de carga, o DNS, os certificados TLS e as rotas de saída aprovadas. O plano de controle da Fireworks usa uma credencial dedicada e auditável, e o tráfego de saída se limita ao download de pesos de modelos e imagens, além da telemetria operacional.

Segundo a Fireworks, o Sovereign oferece de 20% a 50% mais throughput no mesmo hardware e cerca de 2,3 vezes mais tokens por dólar gasto em hardware. O recurso opcional de transbordo híbrido transfere cargas de trabalho elegíveis para a Fireworks Cloud em regiões aprovadas pelo cliente quando um cluster atinge a capacidade máxima e, depois, retorna essas cargas às GPUs do cliente à medida que a demanda diminui, usando a mesma API.

A linha Forge reúne a escolha de modelos, a economia da inferência e o controle da infraestrutura em uma mesma decisão empresarial. A principal ressalva é que cada opção tem condições operacionais distintas: os adaptadores sem servidor dispensam capacidade dedicada, mas são executados em GPUs compartilhadas, sem garantias de latência na versão prévia; já o Sovereign combina uma infraestrutura de propriedade do cliente com uma pilha de serviço operada pela Fireworks.