Kan jag köra Ember-1 lokalt?

Nej. Fireworks har inte släppt vikterna, så Ember-1 är endast API-baserad och kan inte köras på din egen hårdvara.

Vad kostar Ember-1 och hur stor är kontexten?

Fireworks tar 3,00 USD per miljon inmatningstokens och 15,00 USD per miljon utmatningstokens, med ett kontextfönster på drygt en miljon tokens.

Hur skiljer sig Ember-1 från basmodellen Kimi K3?

Ember-1 är finjusterad specifikt för att producera kortare resonemangsspår – cirka 40 % färre tokens – vilket minskar latens och kostnad vid resonemangsuppgifter utan att, enligt Fireworks, offra kvalitet.

Ember 1

3639°

#llm #fireworks #vision #resonemang #kodning #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Fireworks | 1,048,576 token context | $3.00/M input, $15.00/M output. Ember-1 är en specialiserad resonemangsmodell från Fireworks Research, byggd på Kimi K3Opens in new tab. Den är designad för att få varje token att räcka längre: den producerar kortare resonemangsspår och använder ungefär 40 % färre tokens än basmodellen samtidigt som den bibehåller jämförbar kvalitet över Fireworks utvärderingar. Den är lämpad för kodning, kunskapsarbete och agentiska arbetsflöden där resonemangskostnad och latens är viktiga.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Ember-1 är en resonemangsmodell från Fireworks Research, byggd på Kimi K3 och finjusterad för att tänka mer effektivt. Dess huvudegenskap är att producera ungefär 40 % kortare resonemangsspår än basmodellen samtidigt som kvaliteten hålls stabil – vilket innebär lägre latens och lägre kostnader för resonemangsintensiva uppgifter. Den passar utvecklare och team som kör kodning, kunskapsarbete eller agentbaserade pipelines där resonemangstokens snabbt blir kostsamma.

Känd för

Ungefär 40 % färre resonemangstokens än Kimi K3-basmodellen.
Designad för agentbaserade arbetsflöden där kedjetänkandekostnad snabbt ackumuleras.
En miljon tokens kontextfönster för långa dokument och flerstegsuppgifter.
Visuell kapacitet tillsammans med textresonemang.

Se upp för

Vikterna är inte öppna; du hyr tillgång via Fireworks API.
Utgångspriset på 15,00 USD per miljon tokens gör långa resonemangskedjor dyra i stor skala.
Kvalitetsjämförelser baseras på Fireworks egna utvärderingar, inte oberoende benchmarktester.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Syn

Promptar att prova

Felsök en felande agentloop

Jag har en Python-agent som anropar ett sökverktyg, sammanfattar resultat och sedan bestämmer om den ska söka igen. Efter två iterationer slutar den alltid, även när svaret är ofullständigt. Här är looplogiken: [klistra in din kod]. Följ sannolika felorsaker, identifiera den mest troliga buggen och föreslå en lösning med förklaring.

Resonera kring systemdesign

En startup behöver hantera 50 000 webhook-händelser per minut, var och en triggar en databasinskrivning och ett utgående API-anrop. Det utgående API:et har en gräns på 10 000 anrop per minut per nyckel och de har tre nycklar. Gå igenom begränsningarna, identifiera flaskhalsarna och föreslå en konkret köarkitektur som håller sig inom gränserna.

Analysera en lång kontraktsklausul

Läs igenom ansvarsfriskrivnings- och skadeståndsklausulerna jag klistrar in nedan och berätta: vilka scenarier lämnar mitt företag helt exponerat, vad är den praktiska skadeståndstaket, och om undantagen för grov vårdslöshet är standard eller ovanligt snäva. Var specifik med språket som oroar dig.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
GLM 5.3 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.02/M indata, $0.72/M utdata
Hy4 preview
Öppen vikt-modell
1,048,576 tokens kontext · $0.83/M indata, $2.50/M utdata
MiMo-V2.6-Flash
Öppen vikt-modell
1,050,000 tokens kontext · $0.14/M indata, $0.28/M utdata

Fler textmodeller från fireworks

Vanliga frågor

Kan jag köra Ember-1 lokalt?: Nej. Fireworks har inte släppt vikterna, så Ember-1 är endast API-baserad och kan inte köras på din egen hårdvara.
Vad kostar Ember-1 och hur stor är kontexten?: Fireworks tar 3,00 USD per miljon inmatningstokens och 15,00 USD per miljon utmatningstokens, med ett kontextfönster på drygt en miljon tokens.
Hur skiljer sig Ember-1 från basmodellen Kimi K3?: Ember-1 är finjusterad specifikt för att producera kortare resonemangsspår – cirka 40 % färre tokens – vilket minskar latens och kostnad vid resonemangsuppgifter utan att, enligt Fireworks, offra kvalitet.

Kaptens omdöme
Ett klokt val om du redan använder Fireworks och dina agentbaserade arbetsflöden förbrukar mycket tokens på kedjetänkande; utgångspriset håller kostnaderna i schack.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Ember 1 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm fireworks vision resonemang kodning agenter lång kontext

Bläddra efter modellfamilj