· AI Engineer World's Fair 2026
Хватит арендовать интеллект: цикл обучения и внедрения специализированного ИИ
Stop Renting Intelligence: The Train-to-Deploy Loop for Specialized AI — Fireworks AI
Разрыв в качестве между открытыми и закрытыми моделями закрывается дообучением на данных продукта и фидбеке в непрерывном цикле.
- Цифры кейсов — по словам спикера, Cursor получил 13-кратное ускорение inference, Vercel — 40-кратное снижение задержки, Genspark — прирост качества на 12% после RFT.
- Kernels под нагрузку — FireAttention пишет CUDA kernels под конкретный workload, а draft-модели для speculative decoding можно обучать на своих данных.
- Три уровня обучения — training agent подбирает модель и гиперпараметры, managed training ведётся через UI или API, Training API даёт собственные loss-функции; на момент доклада training agent RFT не поддерживал.
- Замкнутый цикл деплоя — мониторинг, сбор фидбека, переобучение с текущего checkpoint и hot loading весов без простоя; обучение и inference идут на одной платформе, чтобы не терять качество на численных расхождениях. Все эти функции есть в платформе Fireworks AI, так что доклад во многом презентация продукта.
Кому полезно: командам, которые переводят продуктовые фичи с закрытых API на открытые модели и хотят дообучать их на своих данных.
Статья по теме
Главы
Похожие доклады
Что делает открытые модели быстрыми в production
AI Engineer Code 2025
Близко по содержанию
Агенты, которые сами управляют своим инференсом
AI Engineer World's Fair 2026
Близко по содержанию
Как инференс успевает за ненасытным спросом на токены
AI Engineer World's Fair 2026
Близко по содержанию
Прокачка модели: RFT, DPO, SFT (fine-tuning с OpenAI)
AI Engineer World's Fair 2025
Близко по содержанию

