SageMaker AI 训练会话正式可用
先了解这件事
AWS 宣布 Amazon SageMaker AI 的无服务器模型定制功能正式推出训练会话（training sessions）：开发者可在本地 Python 进程中编写训练循环，把 forward_backward()、optim_step()、sample() 等操作作为 API 调用发往一个有状态的活跃会话，由 SageMaker 在托管 GPU 上执行。模型在步骤之间保持加载在 GPU 上，运行时搭建、分布式执行、梯度同步、故障恢复和检查点存储均由服务负责，用户无需自行管理 GPU。 该功能支持 SFT、DPO、RLVR、RLAIF 和多轮 RL 等技术，可通过 LoRA 或全量微调控制更新范围，并可用连续定制串联多种技术。目前支持 gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B 和 Qwen3.8-27B 四个基础模型，各模型可用的 AWS 区域列在训练会话 API 文档中。 计费按 SageMaker AI 处理的 token 计，无需预留容量；AWS 称，奖励函数在用户环境中为一批数据打分期间停止计费。运行中的会话会占用并发会话配额，直到调用 stop() 或会话过期，AWS 建议用完即停，包括在错误路径中停止，或用 with 块打开客户端。 使用需安装 SageMaker Python SDK（Linux 或 macOS，Python 3.10 至 3.12），并克隆 cookbook 开始开发。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AWS Machine Learning BlogAWS 为 SageMaker AI 推出训练会话，无需管理 GPU 即可自定义模型
AWS 宣布 SageMaker AI 无服务器模型定制正式推出训练会话（training sessions），用户可自行编写和协调训练循环，包括自定义损失函数与奖励信号，GPU 分配、分布式执行、故障恢复和检查点存储由 SageMaker AI 负责。该功能支持 SFT、DPO、RLVR、RLAIF 和多轮 RL 等技术，并可通过 LoRA 或全量微调控制更新范围，还能用连续定制串联多种技术。训练会话按 SageMaker AI 处理的 token 计费，奖励函数在用户环境打分时停止计费，且无需预留容量。
- AWS Machine Learning BlogAmazon SageMaker AI 推出训练会话 API，自写训练循环无需管理 GPU
Amazon SageMaker AI 推出训练会话 API，把抽象边界下移到训练操作层，开发者可在本地 Python 进程中编写训练循环，由 SageMaker 在托管 GPU 上执行。forward_backward()、optim_step()、sample() 等操作成为 API 调用，指向一个有状态的活跃会话，模型在步骤之间保持加载在 GPU 上，服务负责运行时搭建、分布式执行、梯度同步、故障恢复和检查点存储。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。