Репортаж от Wedoany，CoreWeave представила унифицированные возможности AI-агентов, нацеленные на создание замкнутого цикла обратной связи между обучением моделей и производственным выводом, что позволяет предприятиям использовать реальные операционные данные для постоянного совершенствования AI-агентов.
Платформа объединяет Serverless RL, CoreWeave Inference, W&B Weave для наблюдаемости, W&B Skills и MCP-сервер. CoreWeave заявляет, что цель состоит в замене длительных циклов офлайн-оценки на непрерывный цикл, в котором агенты обучаются, работают, генерируют телеметрические данные и улучшаются на основе производственного поведения.
Этот запуск происходит в то время, когда предприятия переходят от этапа пилотных проектов AI к мультиагентным системам, выполняющим критически важные бизнес-задачи. CoreWeave отмечает, что ее подход решает такие проблемы, как фрагментация инструментов, GPU-интенсивная инфраструктура обучения с подкреплениеминфраструктура, а также преобразование производственных сбоев в систематические улучшения агентов.
Ключевые возможности платформы включают: Serverless RL для пост-тренировки больших языковых моделей на многошаговых задачах агентов без необходимости настройки инфраструктуры; CoreWeave Inference для непрерывного выполнения производственных рабочих нагрузок с мониторингом производительности, масштабирования и состояния системы; W&B Weave для обеспечения наблюдаемости агентов, охватывающей производственный мониторинг, анализ режимов отказов, отслеживание мультиагентных рабочих процессов и оценку; W&B Skills и MCP-сервер, помогающие программировать агентов для использования инструментов Weights & Biases с целью отслеживания экспериментов, управления моделями, трассировки, оценки и мониторинга.
CoreWeave заявляет, что Serverless RL может снизить затраты до 40% и ускорить обучение примерно в 1,4 раза без потери качества. Кроме того, разделение обучения и вывода на резидентные экземпляры сокращает итерационные циклы с часов до секунд.
Чен Голдберг, исполнительный вице-президент CoreWeave по продуктам и разработке, отметил, что скорость развития AI опережает способы формирования команд, и сегодня предприятия сталкиваются с компромиссом между циклами разработки и производственными сбоями агентов. Компании, которые первыми внедряют агентов в производство и постоянно совершенствуют их на основе реального опыта, не только создают более надежные AI-системы, но и способствуют эволюции общих возможностей.
Значение производственной телеметрии в агентном AI растет, поскольку его надежность все больше зависит от непрерывной оценки в рамках корпоративных рабочих процессов, а не от статических бенчмарков.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
