Modely a platformy AI

CoreWeave spouští vývojovou vrstvu Forge pro modely a agenty

mm
Přidejte Unite.AI mezi své preferované zdroje na Google

CoreWeave oznámil CoreWeave Forge dne 30. září 2026 a popsal jej jako vývojovou vrstvu pro týmy, které staví a vylepšují modely a agenty. Podle společnosti Forge provádí celý AI cyklus – spouštění, sledování, kurátorství, vylepšování, hodnocení a opakování – v jednom propojeném prostředí a zůstává otevřený napříč modely, rámci a dalšími cloudy, které týmy již používají. MasterClass a Canva již na platformě staví. Oznámení, datované na San Franciscu, bylo představeno během Fully Connected, AI cloud konference společnosti CoreWeave, o níž společnost uvádí, že spojuje více než 4 500 zákazníků, partnerů, vývojářů a lídrů v oblasti AI.

Sjednocení roztříštěného nástrojového řetězce

CoreWeave uvedl, že vývoj modelů a agentů byl rozdělen mezi nástroje od různých dodavatelů, které nebyly navrženy tak, aby spolupracovaly. Pro výzkumníky a inženýry, kteří provádějí model nebo agenta během celého životního cyklu, společnost uvedla, že fragmentace přináší náklady: produkční stopa nevedení k dalšímu tréninkovému běhu, dokončený experiment neinformuje o dalším hodnocení a každé předání ztrácí signál nebo vyžaduje více času.

CoreWeave uvedl, že Forge tento problém řeší sjednocením Weights & Biases Models, post‑tréninkové expertízy od OpenPipe a open‑source projektu marimo notebook s vlastními službami v jednom propojeném prostředí určeném pro kontinuální zlepšování. Tréninkové běhy, sledování experimentů, hodnocení a stopy agentů jsou umístěny tam, kde model nebo agent skutečně běží, a CoreWeave Registry verzionuje každý kontrolní bod a konfiguraci agenta.

„Jakmile více lidí staví s AI, nasazují modely na svá data a pracovní postupy. Právě zde se ukazují mezery mezi schopnostmi modelu a výkonem systému,“ řekl Chen Goldberg, výkonný viceprezident pro produkt a inženýrství ve společnosti CoreWeave, při oznámení. Inženýrské týmy, řekl Goldberg, potřebují tyto mezery pochopit, vybrat signály, které jsou podstatné, vylepšit další verzi a zkontrolovat, zda změna fungovala v reálných provozních podmínkách, a to vše v jednom propojeném systému.

Co je součástí CoreWeave Forge

CoreWeave uvedl, že Forge je od oznámení k dispozici s novými a rozšířenými schopnostmi napříč AI cyklem.

CoreWeave ARIA, nyní obecně dostupná, je kódovací agent, který společnost uvedla, že automaticky analyzuje data z rozsáhlých experimentů a data o pozorovatelnosti agentů, odhaluje, co způsobilo změnu, a navrhuje další experimenty, které stojí za provedení, s důkazy podporujícími každý návrh. CoreWeave Sandboxes také dosáhly obecné dostupnosti a poskytují čerstvé, izolované prostředí pro každý běh, ať už jde o použití nástrojů agenta, posilovací učení nebo hodnocení modelu, již propojené se zbytkem cyklu, takže není nutné nic dalšího nastavovat pro jejich využití.

CoreWeave uvedl, že Weights & Biases Models pomáhá týmům sledovat a porovnávat desítky tisíc experimentů a miliony metrik pomocí pokročilých vizualizací a automatizovaných pracovních postupů. Jeho komponenta Notebooks představuje vývojářský zážitek, který žije v prostředí, ve kterém práce probíhá, takže prototyp přechází přímo do tréninku, hodnocení a produkce, aniž by vyžadoval přepis, s vlastními vizualizacemi postavenými na marimo.

CoreWeave Agent Lens je nový nástroj pro pozorovatelnost a kontinuální zlepšování produkčních agentů, který analyzuje desítky milionů stop a převádí je na poznatky, jež vedou k opravám. CoreWeave uvedl, že Agent Lens detekuje o 20 % více kritických selhání a opravuje problémy za desetinu nákladů, na základě benchmarku proti obecně zaměřenému špičkovému LLM.

Podle CoreWeave jeho Registry verzionuje každý kontrolní bod modelu a konfiguraci agenta v otevřených, přenositelných formátech s jasnou genealogii, takže další pokus může začít z libovolného bodu v historii týmu na jakémkoli stacku. CoreWeave Post‑Training poskytuje serverless posilovací učení, serverless supervidované doladění a destilaci modelu a společnost uvedla, že její serverless posilovací učení trénuje 1,4‑krát rychleji při 40 % nižších nákladech než samostatně spravované řešení.

CoreWeave uvedl, že Inference je nyní součástí Forge a poskytuje přístup k sandboxu a nasazení inference pro nejnovější modely s otevřenými váhami. Dedikovaná Inference také přidává funkci v náhledu nazvanou RL Rollouts, která načítá kontrolní body do živého nasazení, takže tréninková smyčka může pokračovat bez nutnosti opětovného nasazení.

Edice, zkušební verze a přechod Weights & Biases

Forge je k dispozici ve třech edicích – Free, Pro a Enterprise – které CoreWeave uvedl, že umožňují týmům začít bez nákupního cyklu a postupně rozšiřovat platformu. Společnost nasměruje týmy na CoreWeave Forge webová stránka, kde se mohou zaregistrovat do Forge Pro a zahájit bezplatnou 30‑denní zkušební verzi.

Stránka Forge uvádí, že Weights & Biases je nyní CoreWeave Forge, a že stávající přihlašovací údaje Weights & Biases fungují k přístupu k projektům a datům. Stránka zobrazuje Canva, Cohere, MasterClass, Perplexity, Runway, Sunday Robotics a Wayve pod nadpisem “Důvěřuje jim stavitelé moderní AI”.

Nick Patience, viceprezident a vedoucí praxe pro platformy AI ve společnosti Futurum Group, řekl, že kupující platformy na tomto trhu už dlouho musí zvažovat, kolik flexibility obětují výměnou za propojený nástrojový řetězec. “Uzavření smyčky od produkce zpět do tréninku v jednom prostředí, přičemž zůstává otevřené napříč modely, frameworky a cloudy, je obtížnější inženýrský problém než každá polovina samostatně,” Patience řekl.

CoreWeave byl založen v roce 2017 a dokončil své veřejné kotování na Nasdaq v březnu 2025.

Theo Nash je AI-generovaný specialista ve společnosti Unite.AI, který se zabývá AI infrastrukturou, výpočetní technikou a hardwarovými systémy, které pohánějí moderní umělou inteligenci. Jeho práce se soustředí na technické základy velkých AI pracovních zátěží, včetně datových center, akcelerátorů, sítí a softwarových vrstev, které je spojují.

S analytickým a inženýrsky orientovaným pohledem Theo zkoumá, jak pokroky v GPU, vlastním silikonu, paměťových architekturách a distribuovaných systémech umožňují nové generace AI modelů. Věnuje zvláštní pozornost kompromisům výkonu, energetické účinnosti, škálovatelnosti a praktickým omezením, která formují nasazení AI infrastruktury v reálném světě.

Články napsané Theo Nash jsou AI-generované a jsou kontrolovány redakčním týmem Unite.AI, aby zajistily technickou přesnost, srozumitelnost a odpovědné pokrytí rychle se vyvíjejícího prostředí AI výpočtů.