AWS升级SageMaker JumpStart：新增100+模型，简化AI模型发现与部署流程

摘要：2026年前三季度，AWS的Amazon SageMaker JumpStart新增了来自30个提供商的100多个AI模型，涵盖推理、语音识别、文本生成、视觉处理等方向。同时，平台进行了多项改进，包括简化的模型中心界面、预配置的部署选项以及与Hugging Face的深度集成。这些更新旨在降低AI模型从选择到部署的门槛，满足企业级客户对高效AI应用的需求。

---

Amazon SageMaker JumpStart的2026年更新概览

Amazon SageMaker JumpStart是AWS旗下SageMaker AI平台的一部分，提供了一个精选的AI模型目录、解决方案模板和示例笔记本，旨在简化从模型选择到部署的流程。2026年前三季度，JumpStart新增了100多个模型，涵盖以下几大领域：

• 推理模型：如Alibaba的Qwen 3.8-27B（推理）、Qwen3.5-122B-A10B（大规模专家混合模型）、Qwen-AgentWorld-35B-A3B（智能体工作流）等。
• 语音识别与生成：如Qwen3-ASR-1.7B（语音识别）、Qwen3-TTS（文本转语音）。
• 视觉模型：如NVIDIA Nemotron 3 Nano Omni（多模态处理）、Google Gemma 4（视觉-语言能力）。
• 文档理解与OCR：如GLM-OCR、DeepSeek-OCR。
• 代码生成与代码理解：如Qwen3-Coder-Next、JetBrains Mellum2-12B。

此外，JumpStart还扩展了NVIDIA的开源模型组合，包括Cosmos3世界基础模型系列（Super、Edge、Nano），以及Nemotron模型系列，从高效的边缘推理（Nano-12B）到大规模推理（Super-120B）。这些模型为机器人、自动驾驶系统和数字孪生等物理AI应用提供了支持。

平台改进与优化

除了新增模型，JumpStart在2026年还进行了以下几项关键改进：

1. 简化的模型中心界面：用户可以直接在SageMaker AI控制台主页浏览JumpStart的完整目录，并通过类别、输入/输出模式、发布者、模型大小、许可证和框架进行筛选。

2. 预配置的部署选项：JumpStart提供了四种预配置的部署配置：

   • 平衡型：在成本、延迟和吞吐量之间取得平衡，适用于通用工作负载。
   • 吞吐量优化型：使用推测解码等技术实现每秒最大令牌数，适用于大批量处理。
   • 延迟优化型：最低的首个令牌生成时间（TTFT），适用于交互式应用。
   • 成本优化型：每个请求的最低基础设施成本，适合对延迟要求不高的场景。

3. 与Hugging Face的深度集成：用户可以在Hugging Face模型库中直接选择“在SageMaker AI上部署”或“定制并在SageMaker AI上部署”，无需手动配置AWS IAM角色或权限，即可无缝进入预配置的Studio环境进行实验。

开发者落地建议

• 模型评估与选择：利用JumpStart的示例笔记本和基准测试数据，评估不同模型的性能，选择最适合自身需求的模型。
• 部署优化：根据工作负载特点选择合适的预配置部署选项，例如对延迟敏感的应用选择延迟优化型配置。
• 利用多模态模型：对于需要处理文本、图像、语音等混合数据的应用，可以选择NVIDIA Nemotron 3 Nano Omni等多模态模型，避免使用多个独立模型进行预处理。
• 关注高效模型：对于资源受限的场景，可以选择量化或紧凑型模型，如Zhipu AI GLM-5.2 FP8、OpenBMB MiniCPM5-1B等，在保证性能的同时降低内存占用和成本。

结论

AWS通过不断扩展SageMaker JumpStart的模型库和优化平台功能，降低了AI模型部署的复杂性，为企业客户提供了更高效、更灵活的AI解决方案。随着AI技术的快速发展，JumpStart将继续在AI模型发现、评估和部署领域发挥重要作用。

---

消息来源：AWS Machine Learning Blog (2026-10-19)

—— 完 ——

主题标签： #AWS 关注 #SageMaker 关注 #AI模型 关注 #多模态 关注 #AI部署 关注