Ember-1 vs MathForm-8B：兩個透過窄化一個借用的基礎模型所打造的模型

Ember-1 與 MathForm-8B 共享一項兩家實驗室都未如此宣傳的策略：兩者都是他人訓練模型的窄化版本。Ember-1 是 Fireworks Research 以 Moonshot AI 的 Kimi K3 為基礎所開發的專門衍伸模型，於 2026 年 9 月 23 日發表，經重新訓練後，能以大約少 40% 的 token 達到 K3 的準確率。MathForm-8B 則是 OpenBMB 的 8B 自動形式化模型，於 2026 年 8 月 14 日悄然發布，是以 Apache-2.0 授權對 Alibaba 的 Qwen3-8B 進行微調而成，能將非形式化的數學轉換為編譯器可檢查的 Lean 4 定理陳述。其中一個窄化移除了浪費的推敲，並讓通用能力保持完整。另一個則移除了幾乎所有通用能力，換來可驗證性。把兩者放在一起，是看清專門化真正代價的最乾淨方式，因為這兩個模型把訓練預算花在那本帳的相反兩側。

兩種窄化

Fireworks Research 的干預屬於行為層面。Ember-1 保留了 Kimi K3 的架構及其廣度——數學、程式設計、指令遵循、對話、搜尋、工具使用與軟體工程全都出現在訓練組合中——只改變模型在回答前推敲多久。據報告的結果是，在七項基準測試與兩項客戶生產環境 A/B 測試中，推理長度下降了 35–50%，且準確度沒有損失；其中一項生產環境程式設計工作負載的輸出 token 數從 49.3K 降至 29.9K，而成績維持在 0.753，對照為 0.751。每一項數字都是廠商自行報告，且未經重現。

OpenBMB 的介入是契約性的。MathForm-8B 以 Qwen3-8B 為基礎，將整個訓練預算集中在一種輸出形態上：帶有 imports 標頭與具名定理的 Lean 4 陳述。這套流程是先對 FormalVerse 進行監督式微調——這是 OpenBMB 與該模型一同建構並發布、約有 367,000 個經過驗證的 Lean 4 範例的語料庫——接著進行強化學習，以 Lean 編譯與語意一致性回饋作為獎勵訊號。該模型並不證明定理。它寫下證明者將完成的陳述，而論文本身的框架也將六項基準測試評估描述為這項工作的重點。

每個人放棄了什麼

Ember-1 在紙面上幾乎沒有讓出多少優勢，而這正是其整個主張所在。它公布的數據表顯示，在 Terminal Bench 2.1 上以 82.0% 勝過 Kimi K3 Max 的 80.9%，在 DeepSWE 1.1 上以 75.2% 勝過 66.4%；但在 SWE-bench Verified 上以 92.2% 對 93.2%、在 SWE-Interact 上以 20.0% 對 21.3% 小幅落敗。這些是廠商在其自選測試集上公布的數字，但整體形態一致：這個模型與其說是失去了能力，不如說是重新分配了投入努力的方向。不過，token 節省幅度從 Terminal Bench 的 51.9% 一路降至 τ-2 Bench Airline 的 5.9%，因此「約 40%」是在一個差距極大的分布中所取的平均值。

MathForm-8B 捨棄了 Qwen3-8B 為人所知的大部分能力。它無法進行一般對話，未涵蓋 Qwen3-8B 訓練時所納入的 119 種語言與方言，也不接受影像或音訊。它的生成預算規模是為 Lean 輸出而設計，而非為了長時間的混合推理。它保留下來的是寬鬆的授權條款與極小的資源占用：四個 BF16 格式的 safetensors 分片，可在 Transformers、vLLM 或 SGLang 上執行，並置於相容 OpenAI 的端點之後，同時具備一條預期搭配執行於 Lean 4.21.0 上的 Kimina Lean Server 的編譯路徑。

這些數字衡量的是不同的事物，而差距才是重點

Ember-1 的頭條數字是代理正確完成任務的百分比——Terminal Bench 2.1，89 個樣本，82.0%。MathForm-8B 的頭條數字是六個自動形式化基準上的平均 Pass@8 分數：在語法檢查下為 88.06%，在更嚴格的一致性檢查下為 72.37%。這些不在同一軸線上。一個衡量的是代理是否在終端機中完成工作；另一個衡量的是生成出的定理敘述是否能被解析，以及它是否與其所源自的非形式問題意義相同。

MathForm 自身結果中 88.06 對 72.37 的差距，是更具啟發性的數字。「這樣能編譯」與「這樣能編譯，而且說出了我的原意」之間的落差大約是十六個百分點，而這正是讓自動形式化變得困難的失敗模式：一個能通過型別檢查、卻悄悄弱化了原始主張的陳述，比明顯的錯誤更糟，因為下游沒有任何機制會標記出它。在最困難的資料集上，一致性檢查在 FATE-H 降至 63%、在 FATE-X 降至 37%，而像 FormalIMATH 這類簡單資料集則有 95.06%，ProverBench 為 94.83%。這是一位專才誠實面對專才的弱點，而這比單一平均值更有用。

對比，逐個維度來看

• 基礎模型 — Ember-1：Kimi K3。MathForm-8B：Qwen3-8B。

• 訓練改變了什麼——Ember-1：在能力保持不變的情況下，模型推理多久。MathForm-8B：在通用性大致被犧牲的情況下，模型輸出什麼。

• 參數 — Ember-1：未公開。MathForm-8B：約 8B，稠密，BF16。

• 輸出契約 — Ember-1：一般文字與工具呼叫，達到 K3 等級品質。MathForm-8B：一個帶有標頭與具名定理的 Lean 4 陳述。

• 授權與權重 —— Ember-1：未發布；透過廠商自有平台提供研究預覽。MathForm-8B：Apache 2.0，權重與資料集皆可下載。

• 報告頭條 — Ember-1：Terminal Bench 2.1 達 82.0%，且 token 用量減少 51.9%。MathForm-8B：語法檢查下平均 Pass@8 為 88.06%，一致性檢查下為 72.37%。

• 獨立驗證——兩者皆非；兩者均為供應商自行報告且未經重現。

授權條款比基準測試更具決定性

儘管數字上有著種種差異，這兩個版本在實際上的差別在於散布方式。MathForm-8B 是一個檔案。OpenBMB 在同一天發布了權重、FormalVerse 資料集和論文，採用 Apache 2.0 授權，沒有任何公告，也沒有代管的 API——模型卡本身就是發布。你今天下午就能下載它，在單張 GPU 上執行，而且沒有人能把它收回。Ember-1 是一項服務。沒有權重，沒有公開的價格，而取用窗口被描述為期兩週的無伺服器期間，能否延續取決於需求。你今天可以呼叫它，卻無法確定十一月時還能不能呼叫。

那個差異也決定了每個模型各自能被用來做什麼。形式化元件屬於由你掌控的管線內部，鎖定在某個版本上，並讓 Lean 工具鏈位於同一台機器上——這就是為什麼未設閘門的 Apache-2.0 檢查點才是 MathForm-8B 這項工作的正確形態，也是為什麼其 README 上缺失的 GitHub 程式碼連結（在撰寫本文時仍是佔位符）是比任何基準測試分數都更令人惱人的缺口。推理成本模型則屬於 API 背後，在那裡 token 帳單才是被最佳化的對象，也是供應商在價格與延遲上競爭的地方。Ember-1 的形態也符合它的工作；這只意味著這項依賴是商業性的，而非技術性的。

在管線會同時使用兩者的情況下

這兩個模型是互補而非競爭的，而且這種組合很容易描述：一位形式化專家會把問題轉換成可檢驗的陳述，而一個推理模型則針對該陳述或周邊工程進行處理。兩者都不在 OrcaRouter 上——MathForm-8B 僅限自架，而 Ember-1 則位於供應商自家的預覽環境中——但這種組合本身就是我們的 routing DSL 存在的目的。將多個模型組合成單一次呼叫，正是讓管線同時擁有專才與通才、又不必維護兩條整合路徑與兩份契約的方式；而模型融合更進一步，讓一組模型共同作答，適用於單一模型的失效模式代價高昂時。

就形式化堆疊而言，支持組合的論據比平時更強。可見的失敗模式是：某個陳述能通過編譯，但意思略有不同；而對抗無聲錯誤最便宜的防禦，是讓第二個模型閱讀同一個問題——這是路由決策，不是訓練決策。

哪個更值得買

如果你需要的是機器可檢驗的數學，MathForm-8B 是這兩者中唯一能產出這種東西的，而它的主要代價是你本來就不會在這項任務中用到的通用性。下載它、為 Lean 伺服器編列預算，然後建立你自己的評估——OpenBMB 的論文不會告訴你它在你的資料分佈上表現如何。

如果你需要一個 token 支出更少的通用推理模型，Ember-1 正是為你而設計的，而正確的下一步是針對你目前使用的方案進行影子流量測試，而不是做基準測試比較。它的風險在於可用性，而非能力，而這是你可以透過在應用程式與模型之間保留路由層來避險的風險。

對於任何希望其中一個模型能讓這個問題塵埃落定的人來說，令人不安的結論是：兩者都沒有經過獨立評估。MathForm-8B 已公開六週，卻沒有任何第三方發表複現結果；Ember-1 則才公開一天。兩者都要求你自己當評估者，而這正是 2026 年挑選專門化模型的常態。

它們確實證明的是：收窄策略在兩個方向上都行得通。前沿模型可以變得更便宜，而不會變得更差；而小型基礎模型可以透過把訓練對準編譯器來變得嚴謹。有趣的問題不是這兩種方法哪一種會勝出，而是當其中的技術成為標準做法之後，這兩者任一還需要存在多久。