CoreWeave : cloud GPU, clusters NVIDIA, W&B et usages en entreprise
Le « néocloud » américain coté en Bourse qui loue des clusters de GPU NVIDIA : histoire, plateforme Kubernetes, rachat de Weights & Biases, clients, limites et comparaison avec Amazon Web Services.
Par Équipe Blent· Mis à jour le · 17 min de lecture· Niveau débutant
CoreWeave en bref
- Type
- Fournisseur de cloud spécialisé dans le calcul GPU (néocloud)
- Fondation
- 2017, sous le nom d'Atlantic Crypto, renommée CoreWeave en 2019
- Fondateurs
- Michael Intrator, Brian Venturo, Brannin McBee, Peter Salanki
- Siège
- Livingston (New Jersey), États-Unis
En bref : CoreWeave
CoreWeave est une entreprise américaine de cloud spécialisée dans le calcul sur GPU, fondée en 2017 dans le New Jersey sous le nom d'Atlantic Crypto, d'abord comme mineur de cryptomonnaies, puis renommée en 2019. Ses fondateurs sont Michael Intrator, Brian Venturo, Brannin McBee et Peter Salanki. Elle exploite des centres de données remplis de GPU NVIDIA qu'elle loue, par grappes entières, aux laboratoires d'IA et aux grandes entreprises pour entraîner et servir des modèles. Sa plateforme repose sur Kubernetes et sur Slurm, et elle a racheté Weights & Biases en 2025. Cotée au Nasdaq depuis mars 2025, elle compte parmi ses clients Microsoft et OpenAI. On la range parmi les « néoclouds », par opposition aux hyperscalers généralistes.
En une phrase : CoreWeave est un cloud américain spécialisé dans la location de clusters de GPU NVIDIA pour l'entraînement et l'inférence des modèles d'IA, coté au Nasdaq depuis 2025.
Dans cette fiche
Qu'est-ce que CoreWeave ?
CoreWeave est un fournisseur de cloud qui loue de la puissance de calcul sur GPU, principalement des puces NVIDIA, aux entreprises qui entraînent ou servent des modèles d'intelligence artificielle. Contrairement à un cloud généraliste, il ne cherche pas à proposer des centaines de services : il construit des centres de données remplis de GPU, les relie par des réseaux rapides et en vend l'accès, souvent par grappes entières et sous contrat de plusieurs années. On parle de « néocloud » pour désigner ce type d'acteur.
L'entreprise est fondée en 2017 dans le New Jersey sous le nom d'Atlantic Crypto, pour miner des cryptomonnaies avec des GPU. Elle est renommée CoreWeave en 2019 et réoriente ses machines vers le calcul pour l'IA, le rendu et le calcul scientifique. Ses fondateurs sont Michael Intrator, aujourd'hui PDG, Brian Venturo, Brannin McBee et Peter Salanki. Elle s'introduit au Nasdaq le 28 mars 2025. En mai 2025, elle finalise le rachat de Weights & Biases, plateforme de suivi d'expériences. Un projet de rachat de Core Scientific, son hébergeur de centres de données, est rejeté par les actionnaires de ce dernier en octobre 2025.
Son essor tient à la pénurie de GPU qui a suivi l'arrivée de l'IA générative. NVIDIA en est à la fois le fournisseur et un actionnaire. Parmi ses clients figurent Microsoft, dont les besoins ont représenté la majorité du chiffre d'affaires en 2024, et OpenAI, qui a signé un contrat pluriannuel en 2025. La société reste très endettée pour financer ses centres de données, un point de vigilance à garder à l'esprit.
À retenir : CoreWeave vend de la capacité de calcul plus qu'un catalogue de services. La bonne question est donc le volume de GPU dont vous avez besoin, et non la comparaison fonctionnelle avec un hyperscaler.
Quels sont les produits de CoreWeave ?
La plateforme de CoreWeave est conçue pour les charges GPU intensives. Elle repose sur Kubernetes, l'orchestrateur de conteneurs que les équipes de plateforme connaissent déjà, et sur Slurm, l'ordonnanceur historique du calcul intensif. Le tableau résume les principales briques.
| Produit | Type | Usage principal | Accès |
|---|---|---|---|
| Instances et clusters GPU | Infrastructure | Entraîner et servir des modèles sur GPU NVIDIA | Location à l'heure ou contrat de capacité |
| CKS (CoreWeave Kubernetes Service) | Orchestration | Lancer des charges GPU sur Kubernetes managé | Console, API, outils d'infrastructure as code |
| SUNK (Slurm on Kubernetes) | Entraînement | Ordonnancer des jobs avec Slurm sur Kubernetes | Inclus dans la plateforme |
| Mission Control | Exploitation | Superviser le matériel et investiguer son environnement | Inclus dans la plateforme |
| Serverless Inference | Inférence | Appeler des modèles ouverts par API | API compatible OpenAI |
| Weights & Biases | MLOps | Suivre les expériences, évaluer des applications LLM | Offres W&B |
Ces briques couvrent le cycle complet d'un projet : réserver la capacité, entraîner, suivre les expériences, puis servir le modèle avec un serveur d'inférence comme vLLM. Les services serverless, plus récents, sont décrits en préversion pour certains d'entre eux : vérifiez leur statut dans la documentation avant de bâtir un projet dessus.
Comment choisir entre capacité réservée et service managé ?
Pour un entraînement long, la capacité réservée donne les meilleures garanties de disponibilité et de performance, au prix d'un engagement. Pour tester un modèle ouvert ou servir un trafic modéré, un service d'inférence par API évite de gérer des GPU. Dans les deux cas, estimez le coût avec la méthode de notre article sur le FinOps des LLM.
Quels produits propose CoreWeave ?
L'offre de CoreWeave part de l'infrastructure GPU, puis monte vers des services d'orchestration, d'inférence et d'outillage. Les noms et le périmètre évoluent vite : le catalogue se vérifie dans la documentation officielle.
- Infrastructure
Instances GPU NVIDIA
Machines et clusters de GPU NVIDIA de plusieurs générations, reliés par des réseaux à haut débit, loués à l'heure ou sous contrat de plusieurs années.
- Orchestration
CoreWeave Kubernetes Service (CKS)
Service Kubernetes managé pour lancer des charges GPU directement sur l'infrastructure de CoreWeave.
- Entraînement
SUNK
Slurm sur Kubernetes, qui permet d'utiliser l'ordonnanceur Slurm, familier des équipes de calcul intensif, au-dessus de Kubernetes.
- Exploitation
Mission Control
Outils de supervision et de vérification de l'état du matériel et des charges, complétés par un agent et un serveur MCP pour investiguer son environnement.
- Développeurs
Serverless Inference
Accès à des modèles ouverts par une API compatible avec celle d'OpenAI, sans gérer de GPU.
- Équipes IA
Weights & Biases
Plateforme de suivi d'expériences (Models) et d'évaluation d'applications LLM (Weave), rachetée par CoreWeave en 2025.
CoreWeave est-il vraiment différent d'un cloud classique ?
La différence tient à la spécialisation, pas à la technologie de base. Les deux types de fournisseurs louent des serveurs, mais leurs priorités divergent.
- Conception pour l'IA : réseau, stockage et refroidissement sont dimensionnés pour de grands clusters de GPU qui travaillent ensemble pendant des semaines. Un entraînement dépend autant de la qualité de l'interconnexion que de la puce.
- Catalogue restreint : peu de services annexes. Les bases de données, l'identité ou l'analyse de données se trouvent le plus souvent chez un autre fournisseur, ce qui impose de gérer la connexion entre les deux.
- Contrats de capacité : une grande part de l'activité repose sur des engagements pluriannuels avec quelques clients majeurs, ce qui donne de la visibilité à l'entreprise mais lui fait porter un risque de concentration.
- Orchestration standard : Kubernetes et Slurm limitent la dépendance à des outils propriétaires. Le portage d'une charge entre CoreWeave et un autre cloud reste possible, surtout si l'on s'appuie sur des conteneurs, comme le détaille notre article sur le partage de GPU sur Kubernetes.
Cette spécialisation a aussi une conséquence économique. Le prix d'une heure de GPU varie fortement selon la génération de puce, la durée d'engagement et la qualité du réseau. Une équipe qui compare deux offres doit donc raisonner en coût par entraînement terminé ou par million de tokens servis, plus qu'en tarif horaire affiché, et vérifier le temps réellement perdu en pannes ou en attente de capacité.
À retenir : un néocloud n'est pas un « cloud en moins cher ». C'est un choix d'architecture : on gagne en accès aux GPU et en performance d'entraînement, on perd en largeur de services.
Quels sont les avantages de CoreWeave ?
Ces avantages tiennent à la spécialisation de CoreWeave. Ils ne comptent que si votre charge est bien une charge GPU intensive.
- Accès rapide aux générations récentes de GPU NVIDIA, souvent parmi les premiers déployés à grande échelle.
- Infrastructure pensée pour l'IA : réseau à haut débit, stockage et Kubernetes adaptés aux gros entraînements.
- Offre centrée sur le calcul, plus simple à comprendre qu'un catalogue de plusieurs centaines de services.
- Orchestration familière avec Kubernetes et Slurm, courante dans les équipes de recherche.
- Clients de référence parmi les laboratoires d'IA, ce qui valide la capacité à tenir de très gros clusters.
- Outillage MLOps intégré depuis le rachat de Weights & Biases.
Quelles sont les limites de CoreWeave ?
La spécialisation a un revers. Ces limites se pèsent face aux services déjà utilisés par l'entreprise.
- Catalogue plus étroit que celui d'un hyperscaler : peu de services de données, de sécurité ou d'intégration clés en main.
- Régions moins nombreuses, ce qui peut compliquer la localisation des données, notamment en Europe.
- Forte concentration du chiffre d'affaires sur quelques clients, dont Microsoft, signalée dans ses documents financiers.
- Modèle très capitalistique : l'entreprise finance ses centres de données par une dette importante, un risque à suivre.
- Dépendance à NVIDIA pour le matériel, et à l'accès aux GPU et à l'énergie pour croître.
- Contrats de réservation souvent engageants, moins adaptés aux petits volumes ou aux besoins incertains.
CoreWeave vs Amazon Web Services : quelles différences ?
Amazon Web Services est l'hyperscaler de référence, avec un catalogue très large. CoreWeave est le néocloud emblématique du calcul GPU. Les deux louent des GPU NVIDIA, mais ne répondent pas au même besoin.
| Critère | CoreWeave | Amazon Web Services |
|---|---|---|
| Origine | Mineur de cryptomonnaies devenu cloud GPU (2017, renommé en 2019) | Filiale cloud d'Amazon, lancée en 2006 |
| Statut | Société cotée au Nasdaq depuis 2025 | Filiale d'Amazon |
| Positionnement | Calcul GPU pour l'IA | Cloud généraliste, tous usages |
| Matériel IA | GPU NVIDIA | GPU NVIDIA et puces maison Trainium |
| Services autour du calcul | Kubernetes, Slurm, outils MLOps | Catalogue très large (stockage, bases, IA gérée) |
| Orchestration | CKS, SUNK | EC2, EKS, SageMaker |
| Régions | Moins nombreuses | Très nombreuses |
| Modèle d'achat | Contrats de capacité, location à l'heure | Paiement à l'usage, réservations, engagements |
Lequel choisir ? CoreWeave est pertinent lorsque l'enjeu est d'obtenir beaucoup de GPU récents pour entraîner ou servir des modèles, et que l'équipe sait exploiter Kubernetes ou Slurm. AWS convient mieux lorsque le projet s'appuie sur un écosystème de services déjà en place, sur des exigences de conformité et de régions, ou sur des services d'IA gérés. Beaucoup d'organisations combinent les deux, en gardant leurs données et leurs applications chez un hyperscaler et en louant du calcul d'appoint ailleurs. Testez avec votre charge réelle et comparez le coût par heure de GPU utilisée.
Quelles sont les alternatives à CoreWeave ?
Une alternative se justifie si votre cloud actuel couvre déjà le besoin, ou si le volume ne justifie pas un contrat de capacité. Comparez le coût par heure de GPU utile, pas seulement le tarif catalogue.
Amazon Web Services
Premier cloud public, avec instances GPU, puces Trainium et services d'IA gérés.
À considérer pour : projets déjà hébergés sur AWS qui ont besoin d'un écosystème complet de services
Together AI
Cloud d'IA proposant inférence, fine-tuning et clusters de GPU pour les modèles ouverts.
À considérer pour : inférence et fine-tuning de modèles ouverts via une API, sans gérer de cluster
Google AI
Google Cloud propose des GPU NVIDIA et ses propres puces TPU.
À considérer pour : projets sur Google Cloud, notamment avec JAX et les TPU
Microsoft AI
Azure propose des GPU NVIDIA à grande échelle, dont une partie est opérée avec des partenaires comme CoreWeave.
À considérer pour : organisations déjà équipées de Microsoft 365 et d'Azure
Dans quels cas choisir CoreWeave ?
CoreWeave est un choix de capacité de calcul. La question utile est « de combien de GPU ai-je besoin, pour combien de temps, et mon équipe sait-elle les exploiter ? ».
CoreWeave est une option à évaluer
- Vous devez entraîner ou affiner des modèles sur des centaines de GPU.
- Votre cloud habituel ne peut pas fournir les GPU récents dans vos délais.
- Votre équipe maîtrise Kubernetes ou Slurm et veut garder la main sur l'infrastructure.
- Vous utilisez déjà Weights & Biases et souhaitez un calcul proche de cet outil.
Une autre solution peut convenir mieux
- Une API de modèle hébergé suffit et vous ne voulez pas gérer de calcul.
- Vos données et vos services sont déjà dans un hyperscaler avec des contraintes de localisation.
- Vos besoins sont ponctuels et ne justifient pas un contrat de réservation.
- Vous avez besoin d'un large éventail de services managés autour du calcul.
Technologies souvent utilisées avec CoreWeave
Le cloud GPU ne s'utilise pas seul : il s'insère dans une pile de frameworks, de serveurs d'inférence et d'outils d'orchestration.
- Matériel
NVIDIA
Fournisseur des GPU, du réseau et de CUDA, et actionnaire de CoreWeave.
- Orchestration
Kubernetes
Base de la plateforme CKS pour lancer et superviser les charges GPU.
- Framework
PyTorch
Framework de deep learning de référence pour entraîner des modèles sur les clusters.
- Serving
vLLM
Serveur d'inférence open source pour héberger des LLM sur des GPU loués.
- MLOps
Weights & Biases
Suivi d'expériences et évaluation LLM, propriété de CoreWeave depuis 2025.
- Distribution
Hugging Face
Hub d'où l'on récupère les modèles ouverts à entraîner ou à servir.
- Ordonnancement
Slurm
Ordonnanceur de tâches issu du calcul intensif, proposé via SUNK.
- Infrastructure as Code
Terraform
Déclaration reproductible des clusters et des ressources.
Les concepts à connaître pour comprendre CoreWeave
Ces notions reviennent dès qu'on loue des GPU ou qu'on compare un néocloud à un hyperscaler.
- NéocloudUn fournisseur de cloud spécialisé dans le calcul GPU pour l'IA, par opposition aux hyperscalers généralistes.
- KubernetesL'orchestrateur de conteneurs sur lequel repose la plateforme.
- Deep LearningLa famille de méthodes dont les calculs matriciels massifs justifient les clusters de GPU.
- InférenceL'exécution d'un modèle entraîné pour produire des réponses, devenue un poste de calcul majeur.
- Fine-tuningL'adaptation d'un modèle à des données précises, usage courant des GPU loués.
- FinOpsLa discipline qui compare le coût d'une API, d'un cloud et d'un matériel acheté.
Ressources pour approfondir CoreWeave et le calcul GPU
Trois articles pour passer de la location de GPU à la mise en production d'un modèle.
- Comparatif
FinOps des LLM : API vs self-hosting
Comparer le coût d'une API et celui d'un modèle hébergé sur des GPU loués.
Lire l'article - Dossier
CUDA : tout savoir sur le framework GPU de NVIDIA
Comprendre la couche logicielle qui fait fonctionner les GPU des clusters.
Lire l'article - Tutoriel
Dynamic Resource Allocation : partager les GPU sur Kubernetes
Mieux répartir les GPU entre charges sur un cluster Kubernetes.
Lire l'article
Questions fréquentes
Questions fréquentes
Expertise
À propos de l'auteur
Équipe Blent
Les ingénieurs et mentors Blent conçoivent, évaluent et mettent en production des modèles de machine learning, et forment chaque année des centaines de professionnels au MLOps.
Sources et méthodologie
- Site officiel et documentation de CoreWeave (CKS, SUNK, Mission Control, Serverless Inference)
- CoreWeave, CoreWeave Completes Acquisition of Weights & Biases, 5 mai 2025
- CoreWeave, document d'introduction en Bourse et résultats trimestriels (Nasdaq : CRWV), 2025 et 2026
- Core Scientific, communiqué sur le vote des actionnaires, 30 octobre 2025
- Documentation d'Amazon Web Services (instances GPU et Trainium)
- Retours d'expérience des projets et formations Blent
Comment utiliser CoreWeave en entreprise ?
CoreWeave s'adresse surtout aux équipes qui ont besoin de beaucoup de GPU, rapidement, et qui savent exploiter une infrastructure. Pour un usage ponctuel, une API de modèle hébergé reste plus simple.
Entraînement de modèles de fondation
Réserver un grand cluster de GPU interconnectés pour entraîner un modèle pendant plusieurs semaines.
Fine-tuning à grande échelle
Affiner des modèles ouverts sur des données internes avec des GPU récents, sans acheter de matériel.
Inférence en production
Servir un modèle à fort trafic sur des GPU dédiés avec un serveur d'inférence comme vLLM.
Capacité d'appoint
Compléter un cloud existant lorsque les GPU y sont rares ou trop chers pour une campagne d'entraînement.
Post-entraînement par renforcement
Améliorer un modèle par apprentissage par renforcement avec des services dédiés, en lien avec W&B.
Suivi des expériences et des agents
Tracer les entraînements et évaluer les applications LLM avec Weights & Biases sur la même infrastructure.