Exowatt 借 SageMaker 无服务器微调提升准确率，称成本低于前沿模型
AWS 博客介绍，Exowatt 使用 Amazon SageMaker AI 的无服务器模型定制能力，为边缘告警分诊与云端能源市场分析分别微调 Qwen3-1.7B 和 Qwen3-14B，称在特定任务上准确率高于前沿模型，成本最多低 49 倍。
核心事实
AWS 博客发布客户案例称，Exowatt 采用 Amazon SageMaker AI 的无服务器模型定制（serverless model customization）搭建了一条可重复的微调流水线。首个用例是边缘侧告警分诊，基于 Qwen3-1.7B；第二个用例是云端能源市场分析，基于 Qwen3-14B。据该文表述，这两个模型在各自任务上的准确率高于前沿模型，成本最多低 49 倍。文中强调，两个模型只是流水线的首批产出，更持久的成果是这条从原始运营数据到训练集、微调模型与可评估部署产物的路径，运行周期从数月缩短到数天。
背景与影响
Exowatt 的旗舰产品 P3 通过光学透镜收集太阳能、以长时热电池储热，再经热机按需发电，直接为数据中心等负荷供电。其能源管理系统在大量站点持续产生告警，随着机队规模扩大，人工难以实时监控每个站点。文章给出的三点理由是：任务狭窄且依赖专有硬件与运营逻辑；许多站点位于边缘、无 GPU 且网络不稳定；把每次决策都路由到前沿模型的成本无法随规模摊薄。方案上，边缘侧将微调后的 Qwen3-1.7B 量化为 GGUF 格式，用 llama.cpp 在 Kubernetes Pod 内的现场控制器上运行，无需 GPU 与联网；云端则通过 Amazon Bedrock Custom Model Import 托管 Qwen3-14B，按活跃时长计费。流水线还用到 S3、SageMaker 无服务器评估与模型注册表、Lambda 与 EventBridge 等。
限制与来源
上述准确率与成本对比均为 AWS 博客中的客户自述，未提供可复核的基准细节，也未获独立验证。文中未披露定价、可用区域与具体上线时间，相关功能与计费方式请以 AWS 官网当前信息为准。本文依据 aws.amazon.com 博客文章整理。