Cortex Training: serverless fine-tuning voor open-weight LLMs

Samenvatting

Cortex Training maakt serverless fine-tuning van open-weight LLMs mogelijk zonder GPU-infrastructuur zelf te beheren.

Cortex Training biedt serverless fine-tuning

Snowflake heeft op 3 november 2026 de publieke preview van Cortex Training aangekondigd. De dienst ondersteunt het aanpassen en uitrollen van open-weight LLMs via vertrouwde trainingsframeworks en serverless API’s op laag niveau.

Teams hoeven daarbij GPU-provisioning, planning, checkpointing en gedistribueerde uitvoering niet zelf te regelen. Snowflake meldt dat benchmarks tot 61% lagere kosten laten zien dan concurrerende serverless diensten.

Cortex Training gebruikt een open-source backend die volgens Snowflake de flexibiliteit van een zelf beheerd bare-metalcluster combineert met een serverless werkwijze. De dienst sluit aan op Snowflakes geïntegreerde dataplatform, waarmee teams trainingsdatasets samenstellen en agent-traces en logs verzamelen.

Waarom Cortex Training relevant is

De keuze gaat hier niet alleen over modelkwaliteit. Gesloten foundation models bieden weinig ruimte voor aanpassing aan bedrijfsspecifieke data en context, terwijl zelf beheerde GPU-infrastructuur technische complexiteit en kosten meebrengt. Beheerde API’s lossen een deel van dat beheer op, maar beperken volgens Snowflake de flexibiliteit en controle.

Cortex Training richt zich op post-training van open-weight modellen. Supervised fine-tuning leert een model gewenst gedrag aan de hand van voorbeelden, zoals diagnose, escalatieregels en toolgebruik. Reinforcement learning richt zich op beslissingen die gewenste uitkomsten opleveren.

De combinatie van trainingsdata, agent-logs en modelaanpassing maakt de datastroom binnen Snowflake onderdeel van hetzelfde proces. Dat onderscheidt de dienst van een losse model-API of een afzonderlijk GPU-cluster.

Concrete takeaway voor Cortex Training

Beoordeel Cortex Training in de publieke preview op drie punten: de benodigde controle over het model, de beschikbare trainingsdata en de werkelijke kosten tegenover een beheerde API of eigen GPU-infrastructuur. Controleer daarnaast of bestaande SFT- en RL-frameworks aansluiten op de serverless API’s.