CoreWeave 於 9 月 16 日宣佈，已在 CoreWeave Cloud 上完成多機架輝達 Vera Rubin NVL72 叢集的部署，把數百顆 Rubin GPU 連線成單一橫向擴充套件叢集，主要面向智慧體 AI（agentic AI）的訓練與推理需求。公司同時釋出 CoreWeave AI 物件儲存的兩項新能力：跨區域寫入加速和全新的 Archive 歸檔層，目的是讓這些工作負載所依賴的資料儘可能貼近 GPU。
CoreWeave 產品與工程執行副總裁 Chen Goldberg 表示，公司是首家驗證並部署 Vera Rubin NVL72 的 AI 雲服務商，證明這一機架級架構可以作為可靠的高效能雲服務執行；多機架版本把數百顆 Rubin GPU 連成一個叢集，對構建智慧體 AI 的客戶意味著更大規模、更快迭代和更高效率。
從硬體配置看，單台 NVIDIA Vera Rubin NVL72 機架整合 72 顆 Rubin GPU 與 36 顆 Vera CPU，並搭配 NVIDIA NVLink 6、ConnectX-9 SuperNICs 和 BlueField-4 DPUs。多機架方案則通過 NVIDIA Spectrum-X 乙太網路把數百顆加速器統一為單一叢集，從而支撐更大模型的訓練、更苛刻的推理負載以及規模化強化學習。CoreWeave 強調，這需要在計算、網路、儲存、冷卻、供電、韌體和軟體各層同時完成工程適配，使整套系統像一個協調整體執行。
在部署流程上，CoreWeave 通過 Mission Control 的 Rack LifeCycle Controller 自動完成機架硬體檢測、韌體更新、驗證、供電與冷卻協調；在進入生產前，還會結合輝達現場診斷與整機架負載測試，逐項比對結果，只有通過系統級驗證的機架才會投產。網路方面，每顆 Rubin GPU 配備兩個 ConnectX-9 SuperNIC，提供 1.6 Tb/s 的橫向擴充套件連線能力，支援多平面、多軌路徑，在非阻塞架構下每軌可支援約 12.8 萬顆 GPU；模組化拓撲允許在擴容時無需重新設計整個網路架構。
儲存側的新能力同樣圍繞延遲展開。CoreWeave AI 物件儲存的 LOTA（本地物件傳輸加速器）在每個 CoreWeave Kubernetes Service 節點上做託管快取，使讀取達到本地 NVMe 速度，相比傳統儲存叢集讀取延遲降低 8 倍，每顆 GPU 吞吐最高 7 GB/s，並隨叢集規模線性擴充套件。跨區域寫入加速則讓任務在本地寫入的同時，由 CoreWeave 在後台把資料複製到另一區域，使智慧體的中間狀態、檢索上下文和輸出能夠跟上推理節奏，GPU 不必等待。由於應用只看到一個儲存桶，客戶無需改動程式碼，許可權與保留規則在不同區域寫入時保持一致，也省去了手動跨區搬運資料的運維負擔。
Cohere 內部基礎設施總監 Cécile Robert-Michon 表示，其資料集橫跨多個區域，訓練計劃不能受制於跨區域檢索延遲；CoreWeave 的儲存方案讓資料在各區域形成統一檢視並在本地快取讀取，使訓練不再被網路拖慢。
此外，新推出的 Archive 歸檔層意在降低長期儲存關鍵資料的成本。CoreWeave 指出，團隊常因儲存成本而刪除本可保留的資料，例如接近成功的訓練檢查點、用於復現結果的資料集，或半年後可能被問及的模型版本。歸檔層的推出，使保留這類資料的決策在成本上更為可行。
整體來看，這條訊息的核心並非單一硬體釋出，而是 AI 雲在機架級算力之外，把網路與儲存一併納入系統級交付。對關注 AI 產業鏈的讀者而言，它提供了觀察 Rubin 平台從單機架驗證走向多機架規模化部署的視窗，也顯示 AI 雲廠商的競爭正從 GPU 供給延伸到資料通路與儲存成本控制。