CoreWeave 于 9 月 16 日宣布，已在 CoreWeave Cloud 上完成多机架英伟达 Vera Rubin NVL72 集群的部署，把数百颗 Rubin GPU 连接成单一横向扩展集群，主要面向智能体 AI（agentic AI）的训练与推理需求。公司同时发布 CoreWeave AI 对象存储的两项新能力：跨区域写入加速和全新的 Archive 归档层，目的是让这些工作负载所依赖的数据尽可能贴近 GPU。
CoreWeave 产品与工程执行副总裁 Chen Goldberg 表示，公司是首家验证并部署 Vera Rubin NVL72 的 AI 云服务商，证明这一机架级架构可以作为可靠的高性能云服务运行；多机架版本把数百颗 Rubin GPU 连成一个集群，对构建智能体 AI 的客户意味着更大规模、更快迭代和更高效率。
从硬件配置看，单台 NVIDIA Vera Rubin NVL72 机架集成 72 颗 Rubin GPU 与 36 颗 Vera CPU，并搭配 NVIDIA NVLink 6、ConnectX-9 SuperNICs 和 BlueField-4 DPUs。多机架方案则通过 NVIDIA Spectrum-X 以太网把数百颗加速器统一为单一集群，从而支撑更大模型的训练、更苛刻的推理负载以及规模化强化学习。CoreWeave 强调，这需要在计算、网络、存储、冷却、供电、固件和软件各层同时完成工程适配，使整套系统像一个协调整体运行。
在部署流程上，CoreWeave 通过 Mission Control 的 Rack LifeCycle Controller 自动完成机架硬件检测、固件更新、验证、供电与冷却协调；在进入生产前，还会结合英伟达现场诊断与整机架负载测试，逐项比对结果，只有通过系统级验证的机架才会投产。网络方面，每颗 Rubin GPU 配备两个 ConnectX-9 SuperNIC，提供 1.6 Tb/s 的横向扩展连接能力，支持多平面、多轨路径，在非阻塞架构下每轨可支持约 12.8 万颗 GPU；模块化拓扑允许在扩容时无需重新设计整个网络架构。
存储侧的新能力同样围绕延迟展开。CoreWeave AI 对象存储的 LOTA（本地对象传输加速器）在每个 CoreWeave Kubernetes Service 节点上做托管缓存，使读取达到本地 NVMe 速度，相比传统存储集群读取延迟降低 8 倍，每颗 GPU 吞吐最高 7 GB/s，并随集群规模线性扩展。跨区域写入加速则让任务在本地写入的同时，由 CoreWeave 在后台把数据复制到另一区域，使智能体的中间状态、检索上下文和输出能够跟上推理节奏，GPU 不必等待。由于应用只看到一个存储桶，客户无需改动代码，权限与保留规则在不同区域写入时保持一致，也省去了手动跨区搬运数据的运维负担。
Cohere 内部基础设施总监 Cécile Robert-Michon 表示，其数据集横跨多个区域，训练计划不能受制于跨区域检索延迟；CoreWeave 的存储方案让数据在各区域形成统一视图并在本地缓存读取，使训练不再被网络拖慢。
此外，新推出的 Archive 归档层意在降低长期保存关键数据的成本。CoreWeave 指出，团队常因存储成本而删除本可保留的数据，例如接近成功的训练检查点、用于复现结果的数据集，或半年后可能被问及的模型版本。归档层的推出，使保留这类数据的决策在成本上更为可行。
整体来看，这条消息的核心并非单一硬件发布，而是 AI 云在机架级算力之外，把网络与存储一并纳入系统级交付。对关注 AI 产业链的读者而言，它提供了观察 Rubin 平台从单机架验证走向多机架规模化部署的窗口，也显示 AI 云厂商的竞争正从 GPU 供给延伸到数据通路与存储成本控制。