AWS pristato bendrai prieinamas SageMaker AI treniravimo sesijas modelių pritaikymui
Trumpai: AWS paskelbė, kad Amazon SageMaker AI serverless modelio pritaikymo funkcija „training sessions“ dabar prieinama visiems (general availability). Komandos gali rašyti savo po-treniravimo ciklus — įskaitant nuosavas nuostolio funkcijas ir apdovanojimo signalus stiprinamojo mokymosi (RL) užduotims — o SageMaker AI pasirūpina GPU paskirstymu, paskirstytu vykdymu, klaidų atkūrimu ir kontrolinių taškų saugojimu. Palaikomos technikos: SFT, DPO, RLVR, RLAIF ir daugiapakopis RL, galima rinktis LoRA arba pilną derinimą. Funkcija palaiko modelius gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B ir Qwen3.8-27B, o mokestis skaičiuojamas pagal apdorotus žetonus (tokens), sustabdant skaitiklį, kol naudotojo apdovanojimo funkcija vertina atsakymus.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „AWS Machine Learning“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1Bendrai prieinama (GA) SageMaker AI serverless modelio pritaikymo „training sessions“ funkcija
- 2Naudotojai rašo savo treniravimo ciklus (nuostolio funkcijas, apdovanojimo signalus); AWS valdo GPU paskirstymą, paskirstytą vykdymą, klaidų atkūrimą, kontrolinių taškų saugojimą
- 3Palaikomos SFT, DPO, RLVR, RLAIF, daugiapakopis RL, LoRA arba pilnas derinimas, technikų grandinės
- 4Palaikomi modeliai: gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B, Qwen3.8-27B
- 5Mokestis skaičiuojamas pagal apdorotus žetonus; skaitiklis sustoja, kol apdovanojimo funkcija vertina atsakymus naudotojo aplinkoje
- 6Duomenys, kontroliniai taškai ir KMS/VPC konfigūracija lieka naudotojo AWS paskyroje ir pasirinktame regione
- 7Agentų įgūdžiai ir kulinarinė knyga („cookbook“) padeda su duomenų paruošimu, technikos pasirinkimu, treniravimu, vertinimu, diegimu; veikia SageMaker Studio, Kiro, Claude Code, Codex ar GitHub Copilot aplinkose
Kodėl tai svarbu?
Tai sumažina operacinę naštą komandoms, norinčioms taikyti stiprinamąjį mokymąsi ar derinti atviro svorio modelius agentinėms, daugiapakopėms užduotims — pavyzdžiui, agentui, kuris rezervuoja keliones, tvarko pagalbos užklausas ar naudoja išorinius įrankius/žinių grafus — be būtinybės patiems valdyti GPU klasterius.
Ką tai reiškia AI agentams ir kontaktų centrams?
Jei kuriate balso ar skambučių centro agentus, kuriems reikia pritaikyto mąstymo sudėtingose daugiapakopėse įrankių iškvietimo ar srities žodyno užduotyse (pvz., pretenzijų vertinimas, produktų katalogai, CRM duomenys), ši funkcija leidžia derinti atviro svorio modelius, tokius kaip gpt-oss-20b, su savo apdovanojimo signalais ir RL ciklu, neturint nuosavos GPU infrastruktūros — verta palyginti su kitais valdomais derinimo sprendimais pagal kainą, vėlinimą ir tikslumą jūsų konkrečiuose agentų scenarijuose.
🧪 Verta testuoti
Komandoms, kurios pritaiko agentinius modelius įrankių iškvietimui, daugiapakopiam dialogui ar srities tikslumui, verta išbandyti šį serverless treniravimo sesijų metodą ir įvertinti, ar jis sumažina infrastruktūros naštą bei pagreitina iteracijas, lyginant su savarankišku GPU treniravimu.
Šaltiniai
- AWS Machine LearningOficialusPirminis šaltinisOriginalus straipsnis →„Announcing new ways to customize models with SageMaker AI, without managing GPUs“2026-10-22 21:00
- Šaltinio publikavimo data
- 2026-10-22 21:00
- Mūsų sistema rado
- 2026-10-22 21:00
- Santrauka sugeneruota
- 2026-10-22 21:03
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas