Ir al contenido principal
usedby
Zeta GlobalconFireworks AI

Cómo Zeta Global utiliza Fireworks AI

Zeta aplicó fine-tuning a modelos NVIDIA Nemotron de pesos abiertos en Fireworks para dirigir las solicitudes a las herramientas adecuadas y resumir informes para Athena, el asistente de IA de su plataforma AthenaOS. Los modelos se entrenan con fine-tuning supervisado gestionado y se sirven en implementaciones dedicadas.

ConfirmadoCaso de éxito del proveedor · Verificado el 6 nov 2026
Ver la prueba capturada

El uso: cómo Zeta Global implementa Fireworks AI

Zeta fine-tuned open-weight NVIDIA Nemotron models on Fireworks to route requests to the right tools and to summarize reports for Athena, the AI assistant in its AthenaOS platform. The models are trained with managed supervised fine-tuning and served on dedicated deployments.

Otros resultados publicados

Cifras publicadas en el caso de estudio de Fireworks AI. usedby no las mide de forma independiente.

six times faster

Zeta’s fine-tuned routing model outscored the strongest closed model on tool selection (94.7% against 89.3%) and responds six times faster.

12.3%

In production, end-to-end answer correctness rose 12.3%.

47 points

Fine-tuning on Fireworks lifted routing accuracy by up to 47 points.

47% to 72%

Routing also costs 47% to 72% less per request than the strongest closed model, so Zeta can expand the usage across AthenaOS without inference spending rising in step.

En palabras del cliente

Los modelos de frontera son excelentes y los seguimos usando donde importan sus capacidades más amplias. Pero para una tarea de dominio repetible y de gran volumen, un modelo más pequeño ajustado mediante fine-tuning puede ofrecer una calidad comparable o mejor a un menor coste por solicitud. Además, puede usar un prompt más corto y responder más rápido, lo cual importa en un producto interactivo.
Traducción automática del inglés
Ver el originalFrontier models are excellent, and we still use them where their broader capabilities matter. But for a high-volume, repeatable domain task, a fine-tuned smaller model can deliver comparable or better quality at a lower cost per request. It can also use a shorter prompt and respond faster, which matters in an interactive product.
Nate Yohannes, President of Data & AI Lab and Global Head of Research and Development, Zeta Global — Fuente

Clientes de Fireworks AI en MarTech

Empresas del mismo sector, con pruebas públicas.

HubSpotObservado
Ver todos los clientes de Fireworks AI

Más historias

Consultar la fuente

Basado en el caso de éxito publicado por Fireworks AI. Verificamos las pruebas públicas; los resultados son los que declara el proveedor.

fireworks.ai
Fuente publicada
3 nov 2026
Última verificación
6 nov 2026
fireworks.aiCaptura del caso de éxito de Fireworks AI sobre Zeta GlobalAbrir la captura
Lo que dice la historia, y lo que verificamos

Lo que comparamos con la página.

  • La cifra: 94%Verificado

    Impresa palabra por palabra en la página, cerca del nombre de Zeta Global.

  • El pasaje citado arribaVerificado

    Copiado palabra por palabra de la página, cerca del nombre de Zeta Global.

  • La fecha de publicaciónVerificado

    Leída en los metadatos de la propia página, nunca adivinada.

  • Zeta Global usa Fireworks AIVerificado

    Línea de nivel Confirmado.

  • El resultado en síNo verificado

    Lo citamos; no lo medimos.

Report summaries stay as well grounded in customer data as the leading closed model’s, at 94% lower cost per request.
De la página. fireworks.ai