64 张 B300、不到 5 天，FireFlash 把开源模型的终端智能体得分从 35.8% 推到 46.2%
11 月 12 日，Agent Economics 博客发布 FireFlash 的训练配方与评测：以智谱 GLM-5.3-Flash 为基座做全参数强化学习，得到 3210 亿参数（每 Token 激活 174 亿）的终端与编程智能体，训练只用 64 张英伟达 B300、不到 5 天，团队公开了完整配方。
- 三个基准各提升 5 至 10 个百分点：Terminal-Bench 4.0 由 35.8% 到 46.2%，DeepSWE v1.1 由 63.4% 到 68.8%，SWE-Bench Pro Verified 由 58.2% 到 63.3%，均为 5 次试验平均的 Pass@1。
- 成本按 GLM-5.3-Flash 列表价折算：每次试验 0.72 美元；同基准上 Fable 5 最高推理档为 22.02 美元，GPT-6.1 Terra 为 1.49 美元，全尺寸 GLM-5.3 为 8.27 美元。作者称在 40 多个模型与档位设置里，比它便宜且分数更高的组合不存在。
- 一处容易被漏掉的对照：同一个基座换成团队自研 harness、不做任何训练就有 40.2%，比官方榜的 35.8% 高 4.4 分，代价是单次试验成本高约 28%。
- 训练工程：异步强化学习允许 rollout 落后 6 个权重版本；Firecracker 隔离把基础设施错误造成的轨迹组损失从 12% 降到 0.5%；任务筛选只留初始通过率 15%–85% 的题，零信号轨迹组由 48% 降到 10.2%。
- 奖励侧设了 9 道验证闸门，原因是审计发现近半数从未解出的任务本身是坏题，问题出在格式错误与测试脆弱。
观点
- 这条最有价值的信息是强化学习阶段的算力门槛被量化。64 张卡、5 天能把开源权重推到与闭源前沿同档的终端基准，训练侧门槛远低于预训练，追赶的瓶颈从有没有万卡变成有没有可验证的任务池。
- 混合口径必须分清。46.2% 用的是团队自研 harness，基座分数取官方榜，两者评测环境不同；作者用表格单独量化 harness 的 4.4 分增益，这比直接宣称超过 Fable 5 可信得多。
- 成本对比只在同一 harness 内成立。0.72 美元对应自托管、按列表价折算，不含 64 张卡的折旧与集群空闲，真实成本高于这个数。
- 可跟踪的是这套配方能否换基座复现。#481《月之暗面开放 Kimi K3.1 Pro 完整权重》 与 #503《文心 5.5 Flash 把单 Token 激活参数压到 140 亿》 都放出了可继续训练的权重，若第三方在同等卡数下复现同幅度增益，榜单名次会让位于配方与任务池的质量。