
Data that keeps up with reasoning
CoreWeave3 oktober 2026Bekijk op YouTube
Onderdeel van serie
Afl. 2 · AI-infra op industriële schaal
CoreWeave, NVIDIA en Dell bouwen samen aan grootschalige, geoptimaliseerde AI-infrastructuur voor agentic workloads.
Bekijk de serieWat je leert
- CoreWeave's storage-portfolio bestaat uit AI Object Storage, Distributed File Storage, Dedicated Storage en GPU Local Storage.
- AI Object Storage is exaschaal en S3-compatibel, met read-after-write distributed caching en tot 7 GB/s per GPU aan doorvoer.
- LOTA (Local Object Transport Accelerator) is gepatenteerde technologie voor datalevering met lage latency direct aan GPU-nodes.
- Geautomatiseerde, usage-based billing verlaagt opslagkosten voor inactieve data zonder tiering, datamigratie of archive access fees.
- De sessie behandelt technieken om GPU-benutting en goodput tijdens trainingsruns te maximaliseren en hoe je object storage in productie monitort.
Veelgestelde vragen
Welke onderdelen van het CoreWeave storage-portfolio worden in de sessie behandeld?
Wat houdt CoreWeave AI Object Storage in?
Wat is LOTA en waarvoor wordt het gebruikt?
Hoe verlaagt de billingaanpak de opslagkosten voor inactieve data?
Onderwerpen
Lees ook
CoreWeave legt AI-platform laag voor laag uit, van datacenter tot modelmonitoring
CoreWeave heeft in een publieke sessie zijn volledige AI-platform toegelicht, van eigen datacenters met GPU-clusters tot orkestratietools en realtime diagnostiek voor trainingsprocessen. Het bedrijf schaalt naar meer dan 40 datacenters met een gezamenlijk vermogen van 850 megawatt.
CoreWeave zet gesloten-lus vloeistofkoeling centraal in zijn AI-datacenters
CoreWeave bouwt zijn AI-datacenters rond gesloten-lus vloeistofkoeling en direct-naar-chip technologie, waarmee het bedrijf volgens eigen opgave 300 keer zuiniger met water omgaat op Blackwell-platforms dan met traditionele luchtkoeling.
Vectordatabases als fundament voor AI-toepassingen
Steeds meer AI-applicaties draaien op een laag geheugeninfrastructuur die bepaalt hoe snel en accuraat een model relevante informatie terugvindt. Amsterdamse startup Weaviate bouwt aan die infrastructuur en laat zien welke productkeuzes daarbij komen kijken.
Google Research publiceert TurboQuant, een compressiealgoritme voor grote taalmodellen
Google Research heeft TurboQuant gepubliceerd, een algoritme dat de KV-cache van grote taalmodellen comprimeert tot ongeveer 3 bits. Volgens de onderzoekers leidt dit tot zes keer minder geheugengebruik en acht keer hogere doorvoer op dezelfde GPU-hardware, zonder nauwkeurigheidsverlies.
Google Research presenteerde TurboQuant, een compressietechniek voor de KV-cache van taalmodellen
Google Research kondigde in maart 2026 TurboQuant aan, een algoritme dat de Key-Value cache van grote taalmodellen compresseert van 16 bit naar 3 bit, met een geheugenreductie van tot zes keer en een snelheidswinst van tot acht keer op NVIDIA H100-GPU's.
Vier AI-onderzoeksresultaten die modellen sneller, slimmer en zuiniger maken
Vier recente onderzoeksontwikkelingen laten zien hoe AI-modellen kleiner, sneller en beter in redeneren worden: van spaarzame activering en zelfcorrectie tijdens training tot energiezuinige inferentie en een geheugenframework voor AI-agenten.
Beschrijving van het kanaal
Modern reasoning models don't just need more compute, they need storage that can feed GPUs data as fast as they can process it. In this session, CoreWeave's Emma Ramos (Senior Product Marketing Manager) and Jeff Braunstein (Principal Product Manager, Storage & Data Services) break down how CoreWeave's storage portfolio is purpose-built to keep pace with AI training and inference at scale. You'll learn about: - CoreWeave's full storage portfolio: AI Object Storage, Distributed File Storage, Dedicated Storage, and GPU Local Storage - CoreWeave AI Object Storage: exascale, S3-compatible storage with read-after-write distributed caching and up to 7 GB/s per GPU throughput - LOTA (Local Object Transport Accelerator): CoreWeave's patented technology for low-latency data delivery directly to GPU nodes - How automated, usage-based billing lowers storage costs for inactive data without tiering, data movement, or archive access fees - Techniques for maximizing GPU utilization and goodput during training runs - How to monitor object storage operations and performance in production - Whether you're training large-scale models or running high-throughput inference, this session shows how the right storage architecture removes data bottlenecks so your GPUs stay fed and fully utilized. Learn more about CoreWeave's storage solutions: https://utm.io/utbVx