AWS发布SageMaker AI训练会话：无需管理GPU即可实现模型定制化

摘要：AWS正式推出SageMaker AI的无服务器模型定制化训练会话功能，用户可编写并控制后训练逻辑（如自定义损失函数、奖励信号和多轮强化学习），而无需管理底层GPU基础设施。该功能支持多种技术（如SFT、DPO、RLVR等），并通过自动化资源分配、分布式执行、故障恢复和检查点存储，简化了AI模型的训练流程。

---

AWS发布SageMaker AI训练会话：无需管理GPU即可实现模型定制化

近日，AWS宣布推出SageMaker AI的无服务器模型定制化训练会话功能。这一功能允许用户在不直接管理GPU基础设施的情况下，编写并控制后训练逻辑，例如自定义损失函数、奖励信号以及多轮强化学习（RL）。

技术机制剖析

SageMaker AI训练会话的核心优势在于其对复杂训练流程的自动化支持：

• GPU资源管理：用户无需选择实例类型或管理集群，SageMaker AI会自动分配GPU资源并处理分布式执行。
• 自动化执行：训练会话处理包括梯度计算、模型权重更新在内的核心训练步骤，用户只需专注于编写训练循环和奖励函数。
• 故障恢复与检查点存储：训练会话内置了自动故障恢复机制，并支持检查点存储，确保训练过程的高可靠性和可恢复性。

此外，用户可以使用多种技术进行模型定制化，例如：

• 低秩适应（LoRA）：通过更新模型的部分参数来降低计算开销。
• 全量微调：对整个模型进行微调以获得更高的性能。
• 多轮强化学习（RL）：通过多轮交互优化模型行为。

工程权衡与实测表现

训练会话功能在简化用户操作的同时，也带来了一些权衡：

• 灵活性 vs 自动化：虽然训练会话提供了高度自动化，但用户对底层硬件和分布式训练的配置控制力有所降低。
• 成本控制：用户按处理的token数量付费，但无法预先保留容量，可能导致不可预测的成本。

根据AWS提供的案例，ImagineSoftware使用SageMaker AI训练会话构建了一个医疗理赔拒绝分类模型，验证了平台在精度关键型应用中的有效性。Karini AI则利用该功能对gpt-oss-20b进行多轮工具调用微调，并称赞其可靠性和易用性。

开发者落地与部署建议

用户可以通过以下两种方式开始使用SageMaker AI训练会话：

1. 在IDE中开发：安装SageMaker Python SDK，克隆训练会话食谱（cookbook），并开始编写代码。
2. 在SageMaker Studio中开发：启动一个即用型AI开发环境，连接编码智能体（如Kiro、Claude Code、Codex或Copilot），下载智能体技能和食谱，即可开始开发。

AWS还提供了丰富的资源，包括技术文档、示例和食谱，以帮助开发者快速上手。

总结

SageMaker AI训练会话的推出，标志着AWS在简化AI模型定制化流程方面的又一重要步骤。通过自动化底层基础设施管理，该功能使开发者能够更专注于模型训练逻辑的优化，而无需担心复杂的GPU资源管理。这对于需要高精度和复杂训练流程的应用场景，如医疗、金融和科学研究，具有重要意义。

---

消息来源：AWS Machine Learning Blog (2026-10-22)

—— 完 ——

主题标签： #AWS 关注 #SageMaker 关注 #模型定制化 关注 #强化学习 关注 #无服务器计算 关注