AI-modeller og plattformer

CoreWeave lanserer Forge-utviklingslag for modeller og agenter

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

CoreWeave kunngjorde CoreWeave Forge den 30. september 2026, og beskrev det som et utviklingslag for team som bygger og forbedrer modeller og agenter. Ifølge selskapet kjører Forge hele AI‑sløyfen med kjøre, observere, kuratere, forbedre, evaluere og gjenta i ett sammenkoblet miljø, og den forblir åpen på tvers av modeller, rammeverk og andre skyer teamene allerede bruker. MasterClass og Canva bygger allerede på plattformen. Den i San Francisco-datert kunngjøringen ble delt under Fully Connected, CoreWeaves AI‑skykonferanse, som selskapet sier samler mer enn 4 500 kunder, partnere, utviklere og AI‑ledere.

Samordning av en fragmentert verktøykjede

CoreWeave sier at modell- og agentutvikling har blitt delt opp over verktøy fra separate leverandører, uten at noen er bygget for å fungere sammen. For forskerne og ingeniørene som fører en modell eller agent gjennom hele livssyklusen, sier selskapet at fragmenteringen medfører en kostnad: et produksjonsspor gir ikke næring til neste treningskjøring, et fullført eksperiment gir ikke informasjon til neste evaluering, og hver overlevering mister et signal eller krever mer tid.

CoreWeave sier at Forge løser dette ved å samle Weights & Biases Models, etter‑treningskompetanse fra OpenPipe og det åpen‑kilde marimo‑notatbokprosjektet med sine egne tjenester i ett sammenkoblet miljø bygget for kontinuerlig forbedring. Treningskjøringer, eksperimentsporing, evalueringer og agentspor lever der modellen eller agenten faktisk kjører, og CoreWeave Registry versjonerer hvert sjekkpunkt og hver agentkonfigurasjon.

“Ettersom flere bygger med AI, setter de modeller i arbeid med sine egne data og arbeidsflyter. Det er da gapene mellom modellens kapasitet og systemytelsen blir tydelige,” sa Chen Goldberg, eksekutiv visepresident for produkt og engineering hos CoreWeave, i kunngjøringen. Ingeniørteam, fortsatte Goldberg, må forstå disse gapene, plukke ut de signalene som betyr noe, forbedre neste versjon og sjekke om endringen fungerte under reelle driftsforhold, alt som ett sammenkoblet system.

Hva som leveres med CoreWeave Forge

CoreWeave sier at Forge er tilgjengelig fra kunngjøringen, med nye og utvidede funksjoner på tvers av AI‑sløyfen.

CoreWeave ARIA, som nå er generelt tilgjengelig, er en kodingsagent som selskapet sier automatisk analyserer data fra storskalaeksperimenter og agentobservasjonsdata, avdekker hva som forårsaket en endring, og foreslår de neste eksperimentene som er verdt å kjøre, med bevis som støtter hvert forslag. CoreWeave Sandboxes har også nådd generell tilgjengelighet, og gir et friskt, isolert miljø for hver kjøring, enten det er bruk av agentverktøy, forsterkende læring eller modellevaluering, allerede koblet til resten av sløyfen slik at ingenting ekstra må settes opp for å bruke det.

CoreWeave sier at Weights & Biases Models hjelper team med å spore og sammenligne titusenvis av eksperimenter og millioner av måleverdier, ved hjelp av avanserte visualiseringer og automatiserte arbeidsflyter. Notebooks‑komponenten er en utvikleropplevelse som lever i miljøet arbeidet kjører i, slik at en prototype går direkte inn i trening, evaluering og produksjon i stedet for å kreve en omskriving, med tilpassede visualiseringer bygget på marimo.

CoreWeave Agent Lens er et nytt observasjons‑ og kontinuerlig‑forbedringsverktøy for produksjonsagenter som analyserer titalls millioner spor og omdanner dem til innsikter som driver rettelser. CoreWeave sier at Agent Lens oppdager 20 % flere kritiske feil og fikser problemer til en tidel av kostnaden, basert på en sammenligning med en generell front‑LLM.

Ifølge CoreWeave versjonerer Registry hvert modell‑sjekkpunkt og hver agentkonfigurasjon i åpne, portable formater med klar avstamning, slik at neste forsøk kan starte fra ethvert punkt i et teams historie på hvilken som helst stack. CoreWeave Post‑Training leverer serverløs forsterkende læring, serverløs veiledet fin‑justering og modell‑destillasjon, og selskapet sier at deres serverløse forsterkende læring trener 1,4 ganger raskere til 40 % lavere kostnad enn en selv‑administrert løsning.

CoreWeave sier at Inference nå er en del av Forge, og gir tilgang til lekeplass og inferens‑distribusjon for de nyeste åpne‑vektmodellene. Dedikert Inference legger også til en funksjon i forhåndsvisning kalt RL Rollouts, som raskt laster inn sjekkpunkter i en live‑distribusjon slik at en treningssløyfe kan fortsette å kjøre uten å måtte redistribuere.

Utgaver, prøveperiode og overgangen til Weights & Biases

Forge tilbys i tre utgaver – Free, Pro og Enterprise – som CoreWeave sier lar team starte uten en anskaffelsessyklus og vokse inn i plattformen. Selskapet peker team mot CoreWeave Forge‑nettsted for å registrere seg for Forge Pro og starte en gratis 30‑dagers prøveperiode.

Forge‑nettsiden oppgir at Weights & Biases nå er CoreWeave Forge, og at eksisterende Weights & Biases‑legitimasjon fungerer der for å få tilgang til prosjekter og data. Siden viser Canva, Cohere, MasterClass, Perplexity, Runway, Sunday Robotics og Wayve under overskriften “Betrodd av de som bygger moderne AI”.

Nick Patience, vice president og leder for AI-plattformer i Futurum Group, sa at plattformkjøpere i dette markedet har lenge måttet vurdere hvor mye fleksibilitet de gir opp i bytte for en sammenkoblet verktøykjede. “Å lukke kretsløpet fra produksjon tilbake til trening i ett enkelt miljø, samtidig som man forblir åpen på tvers av modeller, rammeverk og skyer, er et vanskeligere ingeniørproblem enn hver av delene alene,” sa Patience.

CoreWeave ble etablert i 2017 og fullførte sin børsnotering på Nasdaq i mars 2025.

Theo Nash er en AI-generert spesialist hos Unite.AI, som dekker AI-infrastruktur, beregning og maskinvaresystemene som driver moderne kunstig intelligens. Arbeidet hans fokuserer på de tekniske grunnlagene bak AI-arbeidsbelastninger i stor skala, inkludert datasentre, akseleratorer, nettverk og programvarestablene som binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøker Theo hvordan fremskritt innen GPU-er, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger særlig vekt på ytelsesavveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former implementeringen av AI-infrastruktur i den virkelige verden.

Artikler skrevet av Theo Nash er AI-genererte og gjennomgås av redaksjonsteamet i Unite.AI for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-beregningslandskapet.