CoreWeave sieht im Platin-Rating von ClusterMAX 2.0 den Beleg für seinen Engineering-Ansatz
CoreWeave hat in einem Blogbeitrag sein Platin-Rating im SemiAnalysis-Report ClusterMAX 2.0 eingeordnet. Das Ergebnis spiegle jahrelange Systemarbeit mit Fokus auf Zuverlässigkeit, Isolation und Skalierung, argumentiert das Unternehmen. Ratings seien „das Ergebnis, nicht das Ziel", heißt es, das eigentliche Ziel sei planbarer Fortschritt für die Kunden.
- CoreWeave hat im SemiAnalysis-Report ClusterMAX 2.0 ein Platin-Rating erhalten.
- Laut CoreWeave ist das bewertete Feld zwischen den SemiAnalysis-Reports von 26 auf 84 Anbieter gewachsen.
- CoreWeave gibt eine durchgängige Verfügbarkeit von 99 % auf Rack-Ebene bei GB200- und GB300-NVL72-Systemen an.
- SUNK kann laut Unternehmen Warteschlangen mit mehr als 100.000 Jobs verarbeiten.
- Die Leistungsangaben im Beitrag stammen von CoreWeave und nicht aus unabhängigen Messwerten.
Zweites Rating, deutlich größeres Feld
Laut CoreWeave hat SemiAnalysis seine neuesten Ratings nur wenige Monate nach dem ersten Report veröffentlicht. Den Sprung von 26 auf 84 Anbieter wertet das Unternehmen als deutliches Zeichen dafür, wie schnell sich der KI-Markt verändert. Auch die zugrunde liegende Technologie entwickle sich ebenso rasant, mit höheren Anforderungen an jede neue Hardware- und Softwaregeneration.
CoreWeave zufolge rücken Daten und Rechenleistung enger zusammen, wenn die Erwartungen an Zuverlässigkeit und das Gesamterlebnis bei Workloads steigen. Daraus folgert das Unternehmen, dass Plattformen sich über Hardwaregenerationen hinweg ohne Unterbrechungen weiterentwickeln müssen. Fortschritte vorwegzunehmen, statt auf sie zu reagieren, sei das Kennzeichen moderner KI-Infrastruktur.
Der Beitrag zitiert aus dem ClusterMAX-2.0-Report, CoreWeave „setzt den Maßstab für andere und ist die einzige Cloud, die in Interviews mit Endnutzern durchgängig Premiumpreise durchsetzen kann".
Zuverlässigkeit und Isolation als Designprinzipien
CoreWeave bezeichnet Zuverlässigkeit als das erste Prinzip von KI-Infrastruktur. Eine einzige Unterbrechung im Training könne den Fortschritt von Tagen zurücksetzen, und Inferenzsysteme hinter Gesundheitsanwendungen, Finanzmodellen und Kundenanwendungen seien auf konsistente Antworten angewiesen. Das Unternehmen sagt, es baue auf jeder Ebene Checkpoints ein, um Ausfälle zu bewältigen und die Auswirkungen für Kunden zu begrenzen.
Der Beitrag nennt mehrere technische Elemente hinter dieser Aussage:
- SUNK (Slurm-on-Kubernetes): In Verbindung mit CoreWeave Mission Control kann es Warteschlangen mit mehr als 100.000 Jobs verarbeiten. Ein Prioritätssystem hält große Pretraining-Läufe am Laufen, während unterbrechbare Forschungs-Sweeps freie Kapazitäten auffüllen. CoreWeave zufolge führt das zu zweistelligen Verbesserungen bei der Auslastung.
- Rack LifeCycle Controller: Da GB200-NVL72-Systeme die Ausfalldomäne von einem einzelnen Node auf das gesamte Rack verlagern, hat CoreWeave einen eigenen Controller entwickelt, der GB200- und GB300-NVL72-Systeme als einheitliche Objekte verwaltet. Eine Korrelations-Engine, die bei Multi-Node-Burn-ins zum Einsatz kommt, erkennt Fehler, isoliert sie und stellt gesunde Nodes neu bereit. Das Unternehmen gibt eine durchgängige Verfügbarkeit von 99 % auf Rack-Ebene an und sagt, Ausfälle, die früher Tage dauerten, seien jetzt in Minuten behoben.
- BlueField-DPUs: Jeder Node verfügt über eine NVIDIA BlueField DPU, die Netzwerk-, Speicher- und Sicherheitsfunktionen von der Host-CPU auslagert. Laut CoreWeave bleiben so die Workloads jedes Kunden ohne Geschwindigkeitseinbußen voneinander isoliert.
- Vorausschauendes Health-Monitoring: NVIDIA-DCGM-Metriken, NVML-Sensoren und Interconnect-Telemetrie werden kombiniert, um Anomalien zu melden, bevor sie einen Job beeinträchtigen.
Speicher, Sicherheit und Support
Bei den Daten verweist CoreWeave auf seinen AI Object Storage und die Caching-Schicht LOTA (Local Object Transport Accelerator), die aktive Daten automatisch auf lokale NVMe-Laufwerke verlagert. Das Unternehmen sagt, damit lasse sich ein Durchsatz von mehreren GB/s pro GPU aufrechterhalten und die Ladezeit für Trainingsdatensätze im Petabyte-Bereich deutlich verkürzen.
Bei der Sicherheit beschreibt das Unternehmen eine Zero-Trust-Architektur, die beim Booten mit SPDM-Firmware-Attestierung beginnt und über Chainguard-Basisimages bis zu isolierten BMC-Netzwerken reicht. Standards wie SOC 2 und ISO 27001 seien eingebaut, sodass regulierte Kunden ohne zusätzliche Härtung oder Audit-Aufwand starten könnten.
Außerdem betont CoreWeave ein Direct-to-Expert-Supportmodell, bei dem die Support-Ingenieure dieselben Personen sind, die die Infrastruktur bauen und betreiben. Nach Angaben des Unternehmens bringt das schnellere Lösungen und weniger Eskalationen und führt Erkenntnisse aus realen Workloads in die Produktentwicklung zurück.
Was das für Kunden bedeutet
CoreWeave sagt, seine Architektur sei darauf ausgelegt, dass Cluster in Minuten auf zehntausende GPUs skalieren und Workloads in Sekunden starten. Das Unternehmen räumt ein, dass der Wettbewerb zunimmt, und argumentiert, davon profitiere das gesamte Ökosystem, da Kunden bessere Leistung und einen schnelleren Weg zur Ausführung erhielten.
Der Beitrag ist die Interpretation eines Drittanbieter-Reports durch das Unternehmen selbst, und die Leistungs- und Verfügbarkeitszahlen sind Angaben von CoreWeave. Wer Anbieter vergleichen möchte, wird auf den vollständigen SemiAnalysis-Report ClusterMAX 2.0 verwiesen. Die praktische Botschaft von CoreWeave an Kunden lautet, dass deren Teams „weniger über Infrastruktur und mehr über Ideen" nachdenken sollen.
