Fireworks Nexus：即插即用的开放前沿智能，专为有预算限制的团队打造

Fireworks AI 今日宣布推出 Fireworks Nexus，这是一个面向工程组织的全面解决方案，旨在解决 AI 成本失控这一日益严重的问题。在 Uber 据报道在四月份就花光了 2026 年全年 AI 预算的背景下，Fireworks Nexus 应运而生，它允许团队继续使用熟悉的 AI 工具，同时通过智能路由将大部分日常任务转移给更经济的开源模型，从而大幅削减开支。

Fireworks Nexus 由三大核心组件构成。首先是企业级控制与成本可观测性，它提供集中化仪表盘，让工程和 IT 团队能够按团队或公司级别设定预算，追踪不同模型和工具的 ROI，并统一执行政策。所有请求都在 Fireworks 的生产推理平台上处理，该平台在美国托管端点、零数据保留，并在全球 20 个数据中心提供企业级性能。

第二是工作流连续性组件 FireConnect。这是一个一键安装的开源工具（Apache 2.0 许可），它映射出适合的模型配置，让开发者继续使用 Claude Code、Codex、OpenCode 等现有工具而无需中断。FireConnect 通过兼容 Anthropic 和 OpenAI API 的 Fireworks Serverless APIs 工作，只需一个 base URL 和模型 ID 即可连接。

第三是智能流量管理与迁移组件 FireRouter。它使用一个自定义训练的模型为每个请求评估难度：简单任务路由到 Fireworks 上经济高效的开源模型（如 Kimi K3 或 GLM 5.2），困难任务则传递到用户现有的提供商（如 Claude Opus 5），且密钥不会存储在服务器端。这一功能目前处于研究预览阶段，可带来 3-5 倍的成本降低而不牺牲质量。用户也可选择完全使用开源模型。

独立评估支持这些说法。Faros 在 211 个真实工程任务上的测试显示，GLM-5.2 上的 Claude Code 略优于 Opus 4.8，且每个完成任务的成本约减半。Arize 在 2400 次智能体运行中发现，前沿定价模型在常规工作中几乎没有优势，而智能路由在需要的地方保留了它们的优势。他们的评估框架已开源，团队可自行测试。

Fireworks Nexus 现已面向工程组织开放。它旨在打破对单一供应商的依赖，让团队可以根据任务选择最佳模型，集中管理支出，并随着新模型的出现持续评估质量。感兴趣的团队可以预约演示，在自有工作负载上体验其效果。