Új eszközökkel bővíti AI-infrastruktúráját a CoreWeave

A nagy GPU-fürtök működését felügyeli a Mission Control

A CoreWeave 2026. október 2-án jelentette be a Mission Control új képességeit. A vállalat szerint a platform az iparág első, nagy léptékű AI-rendszerekhez készült működési szabványa, és azt teszi lehetővé, hogy az AI-munkafolyamatok megbízhatóbban fussanak a CoreWeave Cloudon.

A Mission Control a CoreWeave teljes technológiai rétegén végigér, az alapinfrastruktúrától a megfigyelhetőségen és biztonságon át az ügynöki munkafolyamatokig. Egy helyen kapcsolja össze a GPU-k, a hálózat és a tárhely működésére vonatkozó információkat, valamint a hozzáférés-kezelést, a megfelelőségi naplózást és az auditelőzményeket.

A rendszer a vállalat leírása szerint valós időben továbbítja az audit- és telemetriai jeleket bármely felhőben működő SIEM-rendszerbe, és a GPU-k, csomópontok, valamint rackek állapotáról is ad visszajelzést. Ha problémát észlel, automatizált helyreállítást indíthat, a feladatokat más erőforrásokra terelheti, vagy az incidenst a CoreWeave megfelelő szakértőihez továbbíthatja.

A Telemetry Relay a naplókat és mérőszámokat továbbítja

A most általános elérhetőségbe lépő CoreWeave Telemetry Relay a Kubernetes auditnaplóit, az API- és konzoltevékenységet, valamint a hardver- és hálózati mérőszámokat továbbítja a vállalat ügyfeleinek SIEM- és megfigyelési eszközeibe. A CoreWeave szerint ehhez nem kell külön, egyedi exportfolyamatot létrehozni és karbantartani.

A Mission Control beépített Grafana-irányítópultokat és mérőszámokat kínál a GPU-khoz, fürtökhöz, hálózathoz és tárhelyhez. A platform a Weights & Biases integrációján keresztül másodpercenként több mint egymillió adatpontot is továbbíthat a képzési és kísérletkövetési folyamatokba. Így a csapatok egy helyen kapcsolhatják össze a modellek és az infrastruktúra működését.

A CoreWeave szerint a Mission Control akár 96 százalékos goodputot, vagyis hasznos modelltréninggel töltött GPU-időt, valamint 20 százalékkal magasabb modellkihasználtságot tesz lehetővé. A vállalat állítása szerint a nagy léptékű képzési programok így több millió GPU-órát takaríthatnak meg.

A GPU Straggler Detection a lassú erőforrásokat keresi

A GPU Straggler Detection előzetes változata a nagy, elosztott munkafolyamatok egyik nehezen felismerhető hibájára összpontosít. Egyetlen lassú vagy egészségtelen rang, vagyis a kollektív számításban részt vevő folyamat, az egész futtatás teljesítményét visszafoghatja.

A CoreWeave szerint az új képesség az NCCL jelzései alapján azonosítja, hogy melyik rang, GPU és csomópont tér el a többitől. Az eltérés a Grafana felületén jelenik meg, az értesítési minták pedig közvetlenül a vizsgálandó hardverhez vezetik a felhasználót. Az eredmény ezután összevethető a Weights & Biases tréningfutamaival.

A vállalat példája szerint a Mission Control automatikus helyreállítása és a csomópontok, illetve a hálózati réteg folyamatos figyelése egy nagy AI-laboratórium frontier méretű modelleket képző környezetében ezer csomópontonként naponta nagyjából öt-hat problémát oldott meg.

Előzetesben érkezik a Mission Control Agent

A CoreWeave előzetesen elindítja a Mission Control Agentet is. A cél, hogy a felhasználók társalgásos munkafolyamatokon keresztül férjenek hozzá a telemetriai adatokhoz és a javítási javaslatokhoz.

A CoreWeave által bemutatott példában az ügynök Slackben kap kérdést arról, miért fut lassan egy feladat. Az ügynök a megfigyelhetőségi rétegen keresztül követi a lassú erőforrást, kiemeli a szűk keresztmetszetet jelentő GPU-t és csomópontot, majd rövid magyarázatot és a kapcsolódó Grafana-nézetet küld a beszélgetésbe.

A bejelentés alapján a Mission Control a nagy AI-képzési és következtetési feladatok üzemeltetését célozza. A Telemetry Relay a meglévő biztonsági és megfigyelési eszközökhöz kapcsolja a CoreWeave adatait, a GPU Straggler Detection és az Agent pedig a teljesítményproblémák gyorsabb feltárását segítheti.