Fireworks AI เปิดตัว Fireworks Nexus แพลตฟอร์มจัดการ AI สำหรับองค์กร ช่วยประหยัดต้นทุนด้วยโมเดล Open-Weight

Fireworks AI ประกาศเปิดตัว Fireworks Nexus แพลตฟอร์มการจัดการและกำหนดเส้นทาง AI (AI Routing) ที่ออกแบบมาเพื่อองค์กรด้านวิศวกรรมโดยเฉพาะ โดยจะเชื่อมต่อเครื่องมือเขียนโค้ดเดิมของนักพัฒนาเข้ากับพรมแดนใหม่ของโมเดลแบบ open-weight

การเปิดตัวนี้มุ่งแก้ปัญหาค่าใช้จ่ายด้าน AI ที่พุ่งสูงขึ้น ตัวอย่างที่ชัดเจนคือรายงานจาก Forbes ที่ระบุว่า Uber ใช้พลาญงบประมาณ AI ของปี 2026 ทั้งหมดภายในสี่เดือน หลังจากมีวิศวกรใช้งาน AI agent เพิ่มขึ้นจาก 1 ใน 3 เป็นกว่า 4 ใน 5 ภายในเวลาสั้นๆ

Fireworks มองว่าปัญหาหลักไม่ใช่การใช้จ่ายเกินจำเป็น แต่เป็นความไม่เหมาะสม (mismatch) ในการรันงานทั่วไปบนโมเดลระดับ frontier ที่มีราคาสูง ซึ่งความซับซ้อนในการจัดการมักทำให้ทีมแพลตฟอร์มลังเลที่จะเปลี่ยนไปใช้โมเดล open-weight

Fireworks Nexus

Nexus ประกอบด้วยสามส่วนประกอบหลัก:

1. การควบคุมระดับองค์กรและการตรวจสอบต้นทุน (Enterprise controls and cost observability): ช่วยให้ทีมสามารถตั้งงบประมาณ ติดตาม ROI ของทุกโมเดล และบังคับใช้พรอลิซีได้จากจุดเดียว โดยทำงานบนแพลตฟอร์มของ Fireworks ที่มี endpoints ในสหรัฐอเมริกา มั่นใจได้ด้วยนโยบาย ไม่มีการเก็บรักษาข้อมูล (zero data retention) และรองรับศูนย์ข้อมูล 20 แห่งทั่วโลก

2. ความต่อเนื่องของเวิร์กโฟลว์ (Workflow continuity): FireConnect เป็นตัวติดตั้งแบบบรรัดเดียวภายใต้ Apache 2.0 ที่สามารถตั้งค่าผ่าน Fireworks Dashboard ได้ทันที ช่วยให้เครื่องมืออย่าง Claude Code, Codex และ OpenCode ทำงานได้ปกติโดยไม่ต้องเปลี่ยนวิธีการใช้งาน เนื่องจากรองรับ APIs ที่เข้ากันได้กับ Anthropic และ OpenAI

3. การจัดการทราฟฟิกอัจฉริยะ (Intelligent traffic management): ใช้โมเดลพิเศษประเมินความยากของคำขอ หากเป็นงานทั่วไปจะส่งไปยังโมเดล open-weight ที่ประหยัดกว่า แต่หากเป็นงานยากจะส่งต่อไปยังผู้ให้บริการเดิมผ่าน key ของผู้ใช้เอง ซึ่งพบว่าช่วยลดต้นทุนได้ถึง 3–5 เท่า

ปัจจุบันตัวเราเตอร์ (router) ยังอยู่ในช่วง research preview โดยรองรับการกำหนดเส้นทางระหว่าง Claude Opus 5 และ GLM-5.2 (ในกรณีใช้ key Anthropic) หรือระหว่าง Kimi K3 และ GLM-5.2 สำหรับการตั้งค่าแบบ open ทั้งหมด

ประสิทธิภาพ (Performance)

จากการทดสอบกับทีมพัฒนาในบริษัทอาทิ Notion และ Doximity พบว่าต้นทุนต่อการรวม pull request (merged pull request) ลดลง 1 ใน 3 และมีอัตราค่า token แบบผสมเหลือเพียง 1 ใน 4 เมื่อเทียบกับแล็บโมเดลแบบปิด (closed model labs)

นอกจากนี้ยังมีผลการประเมินอิสระที่สนับสนุนข้อมูลดังกล่าว:

Faros AI ได้ทดสอบกับงานวิศวกรรมจริง 211 งานพบว่า Claude Code บน GLM-5.2 ทำคะแนนได้ 0.568 สูงกว่า Claude Code บน Opus 4.8 ที่ได้ 0.521 โดยมีต้นทุนต่องานเหลือเพียง 0.92 ดอลลาร์ เทียบกับ 1.76 ดอลลาร์

ขณะที่ Arize ได้ร่วมกับ Fireworks ประเมิน 10 โมเดลผ่าน 2,400 การทดสอบ พบว่าในงานระดับง่าย โมเดลราคาถูกอย่าง Kimi K2.6 สามารถทำคะแนน (73%) แซงหน้า GPT-5.5 (69%) ได้อย่างน่าสนใจ ชุดทดสอบนี้เปิดเป็น open source ให้ทุกทีมนำไปใช้ประเมินเวิร์กโหลดของตนเองได้แล้ว

การใช้กลยุทธ์ "ไล่ระดับโมเดล" (escalation ladder) ตามความยากช่วยให้ต้นทุนเฉลี่ยอยู่ที่ 0.525 ดอลลาร์ต่องานสำเร็จ และแก้งานได้ 32.3 จาก 40 งาน ซึ่งมีประสิทธิภาพดีกว่าการใช้ GPT-5.5 เพียงอย่างเดียวที่มีค่าใช้จ่าย 0.636 ดอลลาร์ แต่แก้งานได้เพียง 25 งาน

วิธีที่ทีมต่างๆ เปิดใช้งานจริง

ทีมสามารถเลือกใช้งานได้ผ่าน 3 เส้นทาง คือ 1. ใช้ FireConnect ซึ่งติดตั้งง่ายผ่าน CLI พร้อมรองรับคำสั่งจัดการโมเดลอย่าง /fireconnect:on 2. การกำหนดค่าผ่าน ANTHROPIC_BASE_URL หรือไคลเอนต์ที่ รองรับ OpenAI (OpenAI-compatible) และ 3. การวางตัวเราเตอร์ไว้หน้าสัญญา frontier เดิมที่มีอยู่

ประเด็นสำคัญ

• ผลทดสอบอิสระจาก Faros AI และ Arize ยืนยันว่าการเปลี่ยนโมเดลตามความยากของงานให้ผลลัพธ์ที่ดีกว่าการยึดติดกับแบรนด์
• Fireworks Nexus เปิดตัวเมื่อวันที่ 26 กรกฏาคม 2026 เพื่อเป็นเลเยอร์จัดการ AI แบบ drop-in สำหรับองค์กร
• FireConnect ปล่อยภายใต้ Apache 2.0 รองรับเครื่องมือยอดนิยมอย่าง Claude Code, Codex และ OpenCode ได้ทันที
• ผลการทดสอบเบื้องต้นช่วยลดต้นทุนภาพรวมได้ 3–5 เท่า และลดต้นทุนต่อการรวม PR ลง 33%

แหล่งที่มา: Fireworks Nexus announcement, FireConnect repository, Faros AI evaluation และ Arize cost-per-successful-task benchmark

Michal Sutter เป็นผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล ปริญญาโทจาก University of Padova มีความเชี่ยวชาญในการวิเคราะห์สถิติและการเปลี่ยนข้อมูลซับซ้อนให้เป็นข้อมูลเชิงลึกจัดการได้จริง