CoreWeave erweitert AI Object Storage auf mehrere Regionen und Clouds

Ein Datensatz, viele Standorte

Laut CoreWeave erlauben die neuesten Funktionen von CoreWeave AI Object Storage, Daten überall in den eigenen Regionen, in anderen Clouds und on premises zu nutzen. Bislang mussten Unternehmen Datensätze nach Angaben des Anbieters meist in jede Region replizieren, in der Workloads laufen. Das treibt die Kosten und birgt das Risiko, dass Datenbestände auseinanderlaufen.

Mit dem Update lässt sich ein einzelner Datensatz von überall auf der Welt mit der Performance lokaler Datenträger nutzen, so CoreWeave. Das Unternehmen verweist dabei auf sein Netzwerk-Backbone, das private Interconnects, direktes Cloud-Peering und regionenübergreifende Vernetzung mit bis zu 400 Gigabit pro Sekunde kombiniere.

CoreWeave nennt ein Beispiel: Ein Modell kann auf CoreWeave trainiert und anschließend in einer anderen Cloud feinabgestimmt oder bereitgestellt werden, ohne dass der Datensatz repliziert werden muss oder Leistung verloren geht. Diese Portabilität gebe es laut Unternehmen ohne Egress-, Ingress- oder Anfragegebühren.

So funktioniert der Dienst

CoreWeave beschreibt AI Object Storage als vollständig verwalteten Object-Storage-Dienst, der auf maximalen Durchsatz für KI-Workloads ausgelegt ist. Er nutzt eine verteilte Architektur, die Rechenleistung und Speicher trennt und dabei die Latenz niedrig hält. Die Daten werden für paralleles Lesen und Schreiben über GPU-Knoten verteilt.

Die Leistung beruht auf dem Local Object Transport Accelerator (LOTA), einem Proxy-Dienst, der auf den Knoten von GPU-Clustern läuft. Er fungiert als S3-Endpunkt und baut über die Datenträger dieser Knoten einen lokalen Cache auf, der häufig genutzte Objekte nahe an der Rechenleistung bereithält. Laut CoreWeave müssen Kunden dadurch keine eigenen Caching-Schichten aufbauen. LOTA läuft bereits in jeder CoreWeave-Region; die LOTA-Beschleunigung für andere Clouds und On-Premises-Umgebungen ist nach Angaben des Unternehmens für Anfang 2026 geplant.

Das Unternehmen gibt einen Durchsatz von bis zu 7 GB/s pro GPU an, skalierbar auf Hunderttausende GPUs. Die Leistung wachse linear mit jeder zusätzlichen GPU, während klassische Hyperscaler beim Durchsatz pro GPU einbüßten.

Preise, Zuverlässigkeit und Sicherheit

Die Abrechnung erfolgt nutzungsbasiert und automatisch. Daten werden je nach Zugriffshäufigkeit günstigeren Stufen zugeordnet:

• Hot: in den vergangenen 7 Tagen abgerufen
• Warm: in den vergangenen 7 bis 30 Tagen abgerufen
• Cold: seit mehr als 30 Tagen nicht abgerufen

Diese Stufen senken die Speicherkosten bestehender Kunden bei typischen KI-Workloads laut CoreWeave um mehr als 75 Prozent.

Bei der Zuverlässigkeit garantiert der Dienst nach Unternehmensangaben eine Verfügbarkeit von 99,9 Prozent und ist auf eine Datenhaltbarkeit von elf Neunen ausgelegt. Verschlüsselung im Ruhezustand und bei der Übertragung ist Standard, rollenbasierter Zugriff und SAML/SSO-Unterstützung sind enthalten. Für die Beobachtbarkeit sorgen Grafana-Dashboards und Prometheus-Endpunkte, die Durchsatz, Latenz, Cache-Effizienz und Fehlerraten abdecken. Der Dienst ist vollständig S3-kompatibel.

Was das für KI-Teams bedeutet

Das Update zielt auf ein bekanntes Problem: Daten, deren Verlagerung teuer ist und die an den Ort ihrer ersten Speicherung gebunden sind. Sollten sich die Versprechen in der Praxis bewahrheiten, könnten Teams nach Angaben von CoreWeave den Ort für Training, Feintuning oder Serving nach Leistung, Kosten und Compliance wählen statt nach Speicherbeschränkungen.

Zudem könnten Teams mit einer zentralen Datenquelle statt mit mehreren Kopien arbeiten, was laut Unternehmen die Integrität schützt und Abläufe vereinfacht. Alle Angaben zu Leistung, Preisen und Kosteneinsparungen stammen von CoreWeave selbst, und die Beschleunigung für andere Clouds und On-Premises-Setups war in der Ankündigung weiterhin für Anfang 2026 vorgesehen.