AWS 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 无服务器模型自定义功能新增「训练会话」并正式可用，用户可自行编写训练循环与奖励函数，GPU 分配、分布式执行与检查点存储由平台负责。
核心事实
AWS 于 10 月 22 日发布博客，宣布 Amazon SageMaker AI 的无服务器模型自定义功能新增「训练会话」（training sessions），并已正式可用（general availability）。据官方说明，用户可自行编写并协调训练循环，包括自定义损失函数或奖励信号；GPU 分配、分布式执行、故障恢复与检查点存储由 SageMaker AI 承担，用户无需选择实例类型、管理集群或编写分布式训练配置。
官方表示，该功能支持 SFT、DPO、RLVR、RLAIF、多轮强化学习等技术，并可通过 LoRA 或全量微调控制更新范围，也可将多种技术串联。发布时支持的模型包括 gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B 与 Qwen3.8-27B。
背景与影响
AWS 称，企业若要基于自有业务数据定制开放权重模型，往往需要挑选技术路线、搭建 GPU 基础设施，并为智能体构建多轮强化学习环境。训练会话试图把基础设施运维从这一流程中剥离，让用户保留对后训练逻辑的控制。官方博客还引用了 ImagineSoftware 与 Karini AI 两家客户代表的评价，称该平台在控制粒度与检查点恢复方面符合其需求。
在数据与权限方面，官方说明每个会话使用用户创建的 IAM 执行角色，可附加自有 KMS 密钥与 VPC 配置，数据与检查点保存在用户所选区域的 S3 存储桶中，且不会用用户数据或定制权重训练其他模型。计费按 SageMaker AI 处理的 token 计量，奖励函数在用户环境中打分时停止计费，无需预留容量。
限制与来源
上述功能范围、支持模型与计费方式均来自 AWS 官方博客，具体可用区域、配额与价格请以 AWS 官网当前信息为准。博客中的客户评价为厂商提供的引述，未附独立验证数据。本文不构成采购或投资建议。