Snowflake, Cortex Training 공개 프리뷰 시작

Snowflake는 2026년 11월 3일 Cortex Training의 공개 프리뷰를 시작했습니다. 이 서버리스 서비스는 익숙한 훈련 프레임워크나 맞춤 훈련 루프를 이용해 오픈 웨이트 대규모 언어 모델(LLM)을 맞춤 설정하고 배포하도록 지원합니다. Snowflake가 GPU 할당, 작업 일정 관리, 분산 실행과 체크포인트 저장을 관리합니다. Snowflake는 벤치마크에서 Tinker 등을 포함한 경쟁 서버리스 훈련 API 서비스보다 비용이 최대 61% 낮았다고 밝혔습니다. 비교에는 2026년 10월 22일 공개된 가격과 H200 GPU당 처리량을 측정한 LoRA 지도 미세조정 작업이 사용됐습니다.

Cortex Training은 지도 미세조정(SFT), 강화학습(RL), 직접 선호도 최적화(DPO), 증류, 지속 사전학습과 중간 학습을 지원합니다. 팀은 LoRA 또는 전체 매개변수 훈련을 이용할 수 있으며, Hugging Face TRL, PrimeRL, veRL, SkyRL 프레임워크도 지원됩니다. 고급 사용자는 하위 수준 서버리스 API를 통해 맞춤 손실 함수, 모델 구조와 훈련 루프를 정의할 수 있습니다. 백엔드인 Arctic Platform은 오픈 소스이며, 사용자는 GPU 코드를 살펴보고 변경 사항을 기여할 수 있습니다.

Snowflake는 모델 벤치마킹, 맞춤 설정, 체크포인트 평가부터 OpenAI 호환 추론 엔드포인트를 통한 배포까지 모델 생애주기를 지원한다고 설명했습니다. 팀은 Snowflake의 데이터 플랫폼, Cortex AI Functions, SQL, Snowpark를 이용해 정형·비정형 기업 데이터를 훈련용으로 준비할 수 있습니다. Cortex AI Gateway는 에이전트의 실행 기록, 로그와 상호작용을 수집하며, 팀은 이를 애플리케이션 결과와 사람의 피드백에 결합해 지도 미세조정, 선호도 최적화와 강화학습용 데이터를 만들 수 있습니다.

역할 기반 접근 제어는 훈련 데이터, 훈련, 배포와 추론에 적용되며 데이터, 모델 가중치와 옵티마이저 상태는 Snowflake가 관리하는 환경에 유지됩니다. 서비스는 대화형 애플리케이션과 에이전트용 전용 GPU 스트리밍 추론 엔드포인트와 배치 추론을 제공합니다. Snowflake는 GPU 사용 시간에 따라 요금을 부과하므로 훈련 속도가 빨라지면 비용이 줄어든다고 밝혔습니다.

ResolveAI의 연구 책임자 션 벨(Sean Bell)은 AI 사이트 신뢰성 엔지니어링(SRE) 에이전트에 수백 대에서 1,000대가 넘는 GPU를 쓰는 장시간 훈련 작업이 필요하다며, Cortex Training의 서버리스 API 덕분에 인프라를 관리하지 않고도 그 규모로 운영할 수 있다고 말했습니다. OpenHands 연구원 제프 마(Jeff Ma)와 파린타팟 펭푼(Parinthapat Pengpun)은 이전에는 자체 훈련 클러스터를 관리하고 문제를 해결하는 데 며칠에서 몇 주를 썼다고 밝혔습니다. 이들은 Cortex Training을 쓰면서 선호하는 프레임워크를 바꾸지 않고 업무 시간의 100%를 실험과 훈련에 집중할 수 있었다고 말했습니다. Snowflake 연구원 보이 류(Boyi Liu)는 Arctic-SWE를 비롯한 회사의 소프트웨어 엔지니어링 에이전트가 Cortex Training을 백엔드로 사용하는 prime-rl을 쓴다고 밝혔습니다.

Snowflake는 2026년 11월 3일 Cortex Training의 공개 프리뷰를 시작했습니다. 이 서버리스 서비스는 익숙한 훈련 프레임워크나 맞춤 훈련 루프를 이용해 오픈 웨이트 대규모 언어 모델(LLM)을 맞춤 설정하고 배포하도록 지원합니다. Snowflake가 GPU 할당, 작업 일정 관리, 분산 실행과 체크포인트 저장을 관리합니다. Snowflake는 벤치마크에서 Tinker 등을 포함한 경쟁 서버리스 훈련 API 서비스보다 비용이 최대 61% 낮았다고 밝혔습니다. 비교에는 2026년 10월 22일 공개된 가격과 H200 GPU당 처리량을 측정한 LoRA 지도 미세조정 작업이 사용됐습니다.

Cortex Training은 지도 미세조정(SFT), 강화학습(RL), 직접 선호도 최적화(DPO), 증류, 지속 사전학습과 중간 학습을 지원합니다. 팀은 LoRA 또는 전체 매개변수 훈련을 이용할 수 있으며, Hugging Face TRL, PrimeRL, veRL, SkyRL 프레임워크도 지원됩니다. 고급 사용자는 하위 수준 서버리스 API를 통해 맞춤 손실 함수, 모델 구조와 훈련 루프를 정의할 수 있습니다. 백엔드인 Arctic Platform은 오픈 소스이며, 사용자는 GPU 코드를 살펴보고 변경 사항을 기여할 수 있습니다.

Snowflake는 모델 벤치마킹, 맞춤 설정, 체크포인트 평가부터 OpenAI 호환 추론 엔드포인트를 통한 배포까지 모델 생애주기를 지원한다고 설명했습니다. 팀은 Snowflake의 데이터 플랫폼, Cortex AI Functions, SQL, Snowpark를 이용해 정형·비정형 기업 데이터를 훈련용으로 준비할 수 있습니다. Cortex AI Gateway는 에이전트의 실행 기록, 로그와 상호작용을 수집하며, 팀은 이를 애플리케이션 결과와 사람의 피드백에 결합해 지도 미세조정, 선호도 최적화와 강화학습용 데이터를 만들 수 있습니다.

역할 기반 접근 제어는 훈련 데이터, 훈련, 배포와 추론에 적용되며 데이터, 모델 가중치와 옵티마이저 상태는 Snowflake가 관리하는 환경에 유지됩니다. 서비스는 대화형 애플리케이션과 에이전트용 전용 GPU 스트리밍 추론 엔드포인트와 배치 추론을 제공합니다. Snowflake는 GPU 사용 시간에 따라 요금을 부과하므로 훈련 속도가 빨라지면 비용이 줄어든다고 밝혔습니다.

ResolveAI의 연구 책임자 션 벨(Sean Bell)은 AI 사이트 신뢰성 엔지니어링(SRE) 에이전트에 수백 대에서 1,000대가 넘는 GPU를 쓰는 장시간 훈련 작업이 필요하다며, Cortex Training의 서버리스 API 덕분에 인프라를 관리하지 않고도 그 규모로 운영할 수 있다고 말했습니다. OpenHands 연구원 제프 마(Jeff Ma)와 파린타팟 펭푼(Parinthapat Pengpun)은 이전에는 자체 훈련 클러스터를 관리하고 문제를 해결하는 데 며칠에서 몇 주를 썼다고 밝혔습니다. 이들은 Cortex Training을 쓰면서 선호하는 프레임워크를 바꾸지 않고 업무 시간의 100%를 실험과 훈련에 집중할 수 있었다고 말했습니다. Snowflake 연구원 보이 류(Boyi Liu)는 Arctic-SWE를 비롯한 회사의 소프트웨어 엔지니어링 에이전트가 Cortex Training을 백엔드로 사용하는 prime-rl을 쓴다고 밝혔습니다.