AWS 发布基于 SageMaker 无服务器模型定制的商品打标方案

核心事实

AWS 官方博客发布了一篇技术实践文章，介绍如何用 Amazon SageMaker 无服务器模型定制（serverless model customization）搭建 AI 商品打标系统。据该文章描述，方案先用监督微调（SFT）定制 Qwen3-8B，再通过带可验证奖励的强化学习（RLVR）与 GRPO 进行优化，训练完成后模型被单独部署到 Amazon SageMaker 异步推理（Asynchronous Inference）端点，用于批量目录补全。文章称，无服务器定制训练器（SFTTrainer 与 RLVRTrainer）在未提供计算配置时，由 SageMaker 自行选择并释放训练容量。

背景与影响

文章指出，零售商品目录通常并非干净的结构化属性，商品名称、描述与类目路径来源分散且持续变化，而搜索、推荐与目录导航依赖一致的标签，人工为成千上万个 SKU 打标既慢又难以保持一致。文章认为，当分类体系稳定、输出可被程序化评分时，定制较小的开放权重模型可能比通用前沿模型更合适：可以直接教会模型输出结构，并在漏标与多标之间做取舍，避免为每次请求都不需要的广泛能力付费。文章还对比了两种路径：早前的示例使用 SageMaker Training Jobs，由客户自选 GPU 实例和自定义训练镜像；本次实践使用 SageMaker Python SDK v3 的无服务器定制训练器。

限制与来源

该内容来自 AWS 博客，属于技术操作说明，未提供实测性能数据、价格或用户评价。文章提到需准备 SageMaker AI、Amazon S3 等权限，构建 vLLM 推理镜像时才需要 Amazon ECR；并提示应使用受支持的区域与模型/技术组合，同时确认 ml.g6.2xlarge 的托管配额。文中示例数据集为公开的 Amazon Sales Dataset，含 1000 余条商品记录，文章建议生产环境使用自有目录与可信标签。上述功能、区域与配额支持情况可能变化，请以 AWS 官网当前信息为准。