Yapay zeka modelleri ve platformları
Fireworks AI, Eğitim API’sini Genel Kullanıma Sunuyor
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Fireworks AI, 31 Ağustos 2026 tarihinde Eğitim API’sinin ve Fireworks Lab’in genel kullanılabilirliğini duyurdu, yönetilen eğitim ve dağıtım altyapısını açık modeller üzerinde özel eğitim döngüleri çalıştırmak isteyen ML ekiplerine açtı. Eğitim API’si, müşterinin kendi Python eğitim döngüsünü Fireworks tarafından yönetilen dağıtık hesaplama kaynaklarına bağlar; hem gradyanları hesaplayıp modeli güncelleyen eğitmeni hem de ondan örnekler üreten dağıtım aşamasını kapsar.
Duyuruda açıklanan düzenleme kapsamında, müşteri döngüyü istediği yerden yönlendirir, kayıp ya da ödül fonksiyonu, veri ve ortam üzerinde kontrolü elinde tutar. Fireworks, eğitmen ile dağıtım arasındaki etkileşimi yönetir; ağırlık senkronizasyonu, başarısız takas kurtarma ve eğitim‑dağıtım hizalamasını içerir. Şirket, API’yi, ML ekiplerinin mevcut eğitim iş akışlarında bildirdiği sınırlamaları yanıt olarak konumlandırıyor: sınırlı model ve yöntem seçimi, parametreler ve eğitim döngüleri üzerinde kısıtlı kontrol, katı hesaplama ve parçalanmış eğitim‑dağıtım altyapısı.
Sunucusuz ve Ayrı Ayrı Hesaplama
Eğitim API’si iki hesaplama seçeneği sunar. Sunucusuz eğitim, müşterilerin paylaşımlı altyapı üzerinde LoRA adaptörlerini token başına faturalandırma ile eğitmelerine olanak tanır; örnekleme aynı oturumda gerçekleşir. Fireworks, bunun deneylerde yineleme yapmak, büyük çalışmalardaki riskleri azaltmak veya dağıtım ve eğitim arasında dönüşümlü olarak çalışan pekiştirmeli öğrenme döngülerini yürütmek için uygun olduğunu belirtiyor. Ayrı ayrı eğitim ise tam parametreli eğitimi, sunucusuz havuzun dışındaki modelleri, daha uzun bağlam uzunluklarını veya LoRA derecelerini ve sürdürülebilir veri akışını hedefler; her çalıştırmaya göre ölçeklenen elastik kapasitede GPU saatine göre faturalandırılır.
Sunucusuz katman, popüler modellerin özenle seçilmiş bir listesi, paylaşımlı kapasite ve hesap başına oran sınırlamaları olan sürekli açık bir paylaşımlı havuza bağlanır. Ayrı ayrı katman ise her çalıştırma için bir eğitmen ve dağıtım sağlar, LoRA ve tam‑parametre modlarını en büyük uzman‑karışımı modellerine kadar destekler ve hiçbir rekabet ya da oran sınırlaması içermez. Umut vaat eden kontrol noktaları, UI veya API aracılığıyla üretim çıkarımına dağıtılabilir ve çoklu LoRA dağıtımı, her müşteri ya da kullanım durumuna ayrı bir altyapı gerektirmeden kendi ayarlanmış modelini sunar, şirket belirtiyor.
Üç Eğitim Yüzeyi
Eğitim API’si, Fireworks eğitim platformundaki iki diğer yüzeyle birlikte yer alır. Yönetilen Eğitim, ML mühendislerine yöneliktir ve müşterinin bir yöntem — SFT, DPO veya RL — ve bir temel model seçtiği yerleşik işleri UI veya API üzerinden başlatır. Fireworks Lab, duyuruyla birlikte genel olarak kullanılabilir hâle gelen, ileri konuşlandırılmış araştırmacı ve mühendisleri müşteri ekiplerine entegre eder; işbirlikleri, yetenek, temel seviye, başarı kriterleri ve kapsamı tanımlayan bir tanı ile başlar, ardından zaman sınırlı bir uygulamaya geçer ve müşteri üretime hazır modeli, değerlendirme çerçevesini, veri boru hatlarını, eğitim döngüsünü ve tarifleri elinde tutar.
Eğitim API’si kendisi ise ML araştırmacılarına yöneliktir ve LoRA ile sunucusuz hesaplamadan ayrılmış kümelerde tam‑parametre eğitime kadar SFT, DPO, ORPO, RL ve distilasyon destekler.
Büyük Ölçekte Pekiştirmeli Öğrenme
Fireworks, sınır laboratuvarları dışındaki çok az kuruluş arasında 10.000’den fazla GPU üzerinde pekiştirmeli öğrenme çalıştıranlardan olduğunu belirtiyor ve RL eğitimini üç gereksinim etrafında şekillendiriyor: doğruluk, performans verimliliği ve geliştirme hızı.
Doğruluk açısından, şirket, dağıtım motoru ve eğitmenin aynı sayısal tanımı paylaşması gerektiğini belirtiyor; çünkü küçük sayısal sapmalar, token kırpması ya da ödül çöküşü yoluyla öğrenme sinyalini bozabilir, her şey çalışıyor gibi görünse de. Fireworks, BF16, blok‑bazlı FP8 ve NVFP4 gibi sayısal formatları uçtan uca hizalar, her iki yol arasında çekirdekleri ve azaltma davranışını eşleştirir ve Router Replay’i kullanarak dağıtım ve geri yayılım arasındaki uzman‑karışımı yönlendirme kararlarını, toplu‑bağımsız çekirdekler ve deterministik azaltmalarla birlikte korur. Şirket, hizalamayı, dağıtım motoru ve eğitmen üzerinden aynı dizileri çalıştırıp eğitim‑çıkarım KL sapmasını ölçerek doğruladığını ve Fireworks eğitiminde başlatılan tüm modeller için sürekli doğrulama yaptığını söylüyor.
Performans açısından, Fireworks, asenkron RL çalıştırdığını, dağıtım toplama ile eğitimi üst üste bindirdiğini; böylece dağıtım GPU’ları bir önceki adımı güncellerken bir sonraki parti üretmeye başlar ve algoritmanın izin verdiği yerde ağırlık eskimesi sınırlıdır. Her eğitim adımından sonra, güncellenen ağırlıklar, tam bir modeli yeniden yüklemek yerine çalışan dağıtım dağıtımına sıcak olarak yüklenir. Tam‑parametre kontrol noktaları için şirket, mevcut ve önceki ağırlıklar arasındaki XOR farkını hesaplayıp zstd sıkıştırması uyguladığını ve iletim bant genişliğinde 10 katına varan azalma sağladığını belirtiyor.
Geliştirme hızı açısından, şirket tek bir platformda sürekli eğitim, dağıtım, değerlendirme ve yeniden eğitim döngüsü tanımladı; kontrol noktaları doğrudan hizmete ve üretim izlerine, değerlendirmelere ve geri bildirime geçerek bir sonraki çalıştırmayı besliyor. Takımların aynı eğitim bütçesiyle iki ila dört kat daha fazla yineleme rapor ettiğini söyledi.
Müşteri Sonuçları Alıntılandı
Duyuru, birkaç müşteriden bahsetti. Harvey, asenkron RL kullanarak uzun vadeli hukuki çalışmalar için Kimi K3’ü sonradan eğitti; Harvey Tenet modeli, görev başına maliyetin yaklaşık üçte biriyle, LAB’de %19,7 tüm‑geçiş başarısı elde ederken Claude Fable 5 %11,5 elde etti, Fireworks belirtti. Vercel, v0’ın otomatik düzelticisi için pekiştirmeli ince ayar ve spekülatif kod çözümlemesi kullandı ve %93 hatasız üretim oranı ve uç‑uç gecikmede 40 kat iyileşme sağladı, şirket rapor etti. Heidi Health, klinik yazı asistanını ince ayarlı açık modellere taşıdı; konsept kanıtından üretime dört hafta içinde geçerek gecikmeyi 3,5 kat azalttı. Factory, açık bir Qwen tabanı üzerinde iki küçük LoRA adaptörünü ince ayar yaparak ortaya çıkan gizli bilgileri taradı; %5 yanlış alarm bütçesinde, eğitilen model gerçek sırların yaklaşık %70’ini yakalarken GPT‑5.5 yaklaşık %59 yakaladı, Fireworks bildirdi.
Eğitim API’si, Fireworks’ın kendi kendine kaydolma hizmeti üzerinden şu anda kullanılabilir; sunucusuz erişim için herhangi bir altyapı hazırlığı gerekmez ve şirket, doğrudan destek isteyen ekipleri Fireworks Lab danışmanlıklarına yönlendiriyor.
