AI-modeller og platforme

CoreWeave lancerer Forge-udviklingslag for modeller og agenter

mm
Føj Unite.AI til dine foretrukne kilder på Google

CoreWeave annoncerede CoreWeave Forge den 30. september 2026 og beskrev det som et udviklingslag for teams, der bygger og forbedrer modeller og agenter. Ifølge virksomheden kører Forge den fulde AI‑sløjfe med kør, observer, kurater, forbedr, evaluer og gentag i et sammenhængende miljø, og den forbliver åben på tværs af de modeller, rammer og andre skyer, som teams allerede bruger. MasterClass og Canva bygger allerede på platformen. Den i San Francisco daterede meddelelse blev delt under Fully Connected, CoreWeaves AI‑cloud‑konference, som virksomheden siger samler mere end 4.500 kunder, partnere, udviklere og AI‑ledere.

Sammenlægning af en fragmenteret værktøjskæde

CoreWeave sagde, at model- og agentudvikling er blevet spredt over værktøjer fra forskellige leverandører, som ingen er bygget til at arbejde sammen. For forskerne og ingeniørerne, der fører en model eller agent gennem hele dens livscyklus, sagde virksomheden, at fragmenteringen medfører en omkostning: et produktionsspor fodrer ikke den næste træningskørsel, et afsluttet eksperiment informerer ikke den næste evaluering, og hver overlevering mister et signal eller koster mere tid.

CoreWeave sagde, at Forge løser dette ved at samle Weights & Biases Models, efter‑trænings‑ekspertise fra OpenPipe og det open‑source marimo‑notebook‑projekt med sine egne tjenester i ét sammenhængende miljø, der er bygget til løbende forbedring. Træningskørsler, eksperimentsporing, evalueringer og agentspor lever, hvor modellen eller agenten faktisk kører, og CoreWeave Registry versionerer hvert checkpoint og hver agentkonfiguration.

“Efterhånden som flere bygger med AI, sætter de modeller i arbejde med deres egne data og arbejdsprocesser. Det er her, forskellene mellem modellens kapacitet og systemets ydeevne bliver tydelige,” sagde Chen Goldberg, executive vice president for produkt og engineering hos CoreWeave, i meddelelsen. Ingeniørteams, sagde Goldberg, skal forstå disse huller, udvælge de signaler, der betyder noget, forbedre den næste version og kontrollere, om ændringen virkede under reelle driftsforhold, alt sammen som ét sammenhængende system.

Hvad leveres med CoreWeave Forge

CoreWeave sagde, at Forge er tilgængelig fra meddelelsen, med nye og udvidede funktioner på tværs af AI‑sløjfen.

CoreWeave ARIA, som nu er generelt tilgængelig, er en kodningsagent, som virksomheden sagde automatisk analyserer store eksperimentdata og agent‑observabilitetsdata, fremhæver hvad der udløste en ændring og foreslår de næste eksperimenter, der er værd at køre, med beviserne til at understøtte hvert forslag. CoreWeave Sandboxes nåede også generel tilgængelighed og giver et friskt, isoleret miljø for hver kørsel, uanset om det er brug af agentværktøj, forstærkningslæring eller model‑evaluering, allerede forbundet med resten af sløjfen, så der ikke behøves ekstra opsætning for at bruge den.

CoreWeave sagde, at Weights & Biases Models hjælper teams med at spore og sammenligne titusinder af eksperimenter og millioner af målinger ved hjælp af avancerede visualiseringer og automatiserede arbejdsprocesser. Dets Notebooks‑komponent er en udvikleroplevelse, der lever i det miljø, arbejdet kører i, så en prototype overføres direkte til træning, evaluering og produktion uden at skulle omskrives, med tilpassede visualiseringer bygget på marimo.

CoreWeave Agent Lens er et nyt observabilitets‑ og løbende‑forbedringsværktøj til produktionsagenter, som analyserer titusinder af millioner af spor og omdanner dem til indsigter, der driver rettelser. CoreWeave sagde, at Agent Lens opdager 20 % flere kritiske fejl og løser problemer til en tiendedel af omkostningerne, baseret på en benchmark mod en generel front‑LLM.

Ifølge CoreWeave versionerer dens Registry hvert model‑checkpoint og hver agentkonfiguration i åbne, portable formater med klar oprindelse, så det næste forsøg kan starte fra ethvert punkt i et teams historik på enhver stack. CoreWeave Post‑Training leverer serverløs forstærkningslæring, serverløs superviseret finjustering og model‑destillation, og virksomheden sagde, at dens serverløse forstærkningslæring træner 1,4 gange hurtigere til 40 % lavere omkostninger end en selvadministreret opsætning.

CoreWeave sagde, at Inference nu er en del af Forge og giver adgang til legeplads‑ og inferens‑implementering af de nyeste open‑weight‑modeller. Dedikeret Inference tilføjer også en funktion i preview kaldet RL Rollouts, som hurtigt indlæser checkpoints i en live‑implementering, så en træningssløjfe kan fortsætte uden at blive genimplementeret.

Editioner, prøveperiode og overgangen fra Weights & Biases

Forge tilbydes i tre editioner – Free, Pro og Enterprise – som CoreWeave sagde giver teams mulighed for at starte uden en indkøbsproces og vokse ind i platformen. Virksomheden henviser teams til CoreWeave Forge websted for at tilmelde sig Forge Pro og starte en gratis 30‑dages prøveperiode.

Forge‑siden angiver, at Weights & Biases nu er CoreWeave Forge, og at eksisterende Weights & Biases‑legitimationsoplysninger fungerer der for at få adgang til projekter og data. Siden viser Canva, Cohere, MasterClass, Perplexity, Runway, Sunday Robotics og Wayve under overskriften “Betroet af de, der bygger moderne AI”.

Nick Patience, vicepræsident og praksisleder for AI-platforme hos Futurum Group, sagde, at platformskøbere på dette marked i lang tid har måttet afveje, hvor meget fleksibilitet de opgiver i bytte for en forbundet værktøjskæde. “At lukke loopet fra produktion tilbage til træning i et enkelt miljø, mens man forbliver åben på tværs af modeller, rammer og skyer, er et sværere ingeniørproblem end hver halve del alene,” sagde Patience.

CoreWeave blev grundlagt i 2017 og gennemførte sin børsnotering på Nasdaq i marts 2025.

Theo Nash er en AI‑genereret specialist hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.